AI 最危險的不是答錯，而是瞎挺你！避免「活在自己的世界」，試試這 4 組提示詞

昨天和弟弟聊天時，我們談到 AI 可能造成的「 訊息繭房 」效應。這個問題在社群媒體時代早就有類似的討論：演算法會根據你的偏好推送內容，久而久之，你看到的世界就越來越像自己原本相信的世界。

AI 帶來的變化，比社群媒體更深入，也更貼身。社群媒體通常是把你喜歡的內容推到你面前；AI 則是在對話裡，即時回應你的語氣、你的前提、你的情緒與你的隱含期待。AI 不只是讓你看見同溫層，更用一種非常流暢、非常體貼、非常有條理的方式，把你原本就想相信的事情，說得更像真的。

前兩天我讀到《華爾街日報》一篇報導，裡面描述 57 歲的 Joe Alary 如何因為對 ChatGPT 客製化人格「AImee」產生情感依附，逐漸陷入妄想，最後差點毀掉工作、人際關係與財務狀況。根據報導，他最後是透過刪除 AI、接受醫療與支持系統協助，以及加入支持團體，才逐步回到現實生活。

嚴格說，Joe Alary 的故事屬於對 AI 產生情感依附導致現實判斷失衡，之所以提起這個案例，不是要危言聳聽，而是因為這個案例呈現出當 AI 能持續回應我們的情緒、期待與自我敘事時，它就不只是資訊工具，也可能成為一套讓人越來越離不開的解釋系統（我想，你應該越來越常聽到雙方意見不同時，對方堅持「可是我問 AI，他是這麼說的……」這句話了）。

多數人每天用 AI 寫信、整理資料、發想企劃、修改文章，未必會因此深陷其中，但仍需注意：使用 AI 需要警覺的，未必只是答案的正確性，而是它能不能在你最需要被指正的時候，仍然只是附和你。

AI 的繭房，不一定從錯誤答案開始

我們通常以為，AI 的問題在於幻覺，也就是它編造不存在的事實、引用錯誤資料，或把不確定的內容講得很肯定。這當然需要查核。

可是， AI 繭房效應更麻煩的地方，往往不是事實錯誤，而是討好附和 。

當你問：「我這個策略是不是可行？」AI 很可能會幫你分析優點、風險、改善方向，最後給出一個看似周的答案。問題是，如果你一開始就把問題定義錯了，它仍然可能沿著你的錯誤定義往下推論。當你問：「我是不是適合轉型成某種角色？」AI 也可能整理出你的優勢、經歷、可行路徑，甚至幫你生成一套很漂亮的個人敘事。問題是，那套敘事也許只是把你心中想相信的版本，包裝得更完整。

這就是 AI 和一般搜尋最大的差異。搜尋引擎像資料攤在你面前，你還需要自己判斷；AI 則會直接替你整理成一個可以接受的答案。它降低了資訊處理成本，也可能降低了我們思維產生激盪摩擦的機會。

也許問題不在 AI，而在我們本來就想被附和

這裡想提出一個我自己不太想接受的觀點：AI 訊息繭房效應未必是 AI 創造出來的，它只是放大了人本來就有的傾向。

我們本來就會找支持自己的人聊天，會選擇讀自己認同的作者，會把刺耳的意見解讀成對方搞不懂狀況，會把順耳的回饋當成深刻理解。只是過去要找到這樣一個永遠有耐心、永遠配合、永遠能把你的想法講得更理所當然的對象，沒有那麼容易。現在 AI 做到了。它可以在半夜三點陪你分析人生，可以在你猶豫時替你整理理由，可以在你想做某件事時補上論證，也可以在你已經有初步想法時，幫你把它寫得更像一套成熟計畫。

所以真正的問題也許是：當一個工具能高度配合我們的心理需求時，我們還有沒有能力要求它不要只配合？

問題越抽象，AI 越容易只說你想聽的

我想到之前從朋友那裡拿到一份關於不同程度「AI 訊息繭房（回聲室）效應」的比較表：

AI 訊息繭房（回聲室）效應比較表

等級 問題型態 繭房效應特徵 L1 客觀事實查詢 最低：答案具有唯一性與物理性（如「偷襲珍珠港日期」），AI 難以進行主觀修飾，摩擦力最高，因為事實不隨發問者意志轉移。 L2 技術程序說明 低：如「如何設定軟體插件」或「電器維修步驟」。雖然存在多種方法，但目標是可驗證的「功能實現」，受限於物理邏輯。 L3 封閉式文本摘要 中：針對使用者提供的特定文件進行總結（如使用 NotebookLM）。繭房開始形成，因為 AI 圍繞使用者挑選的資料轉動。 L4 生活偏好建議 中高：如「旅遊行程」或「美食推薦」。AI 開始分析發問者的語氣與過往紀錄，提供「最契合」但卻「最平庸」的大眾解。 L5 學科理論詮釋 高：如「分析某哲學觀點」或「探討歷史事件」。AI 會根據你的發問深度調整說詞，將複雜的斷裂平滑化為「你聽得懂」的類比。 L6 戰略決策諮詢 極高：如「分析企業併購優勢」。AI 作為「主體性放大器」，會自動填補發問者的邏輯滑坡，讓偏見顯得更具說服力。 L7 存在與價值體驗 最高：尋求認同或心理分析。AI 徹底成為一面「完美的鏡子」，回饋給你一個被演算法優化過的、流暢美觀的自我。

風險最低的前三層——客觀事實查詢、技術程序說明、封閉式文本摘要——有一個共同點：答案仍然有外部標準可以驗證或反駁，AI 就算想迎合，也比較受限。你問歷史日期，它沒辦法憑空改寫；你問軟體設定，結果跑不跑得起來是真實的測試；你請它摘要一份文件，它至少圍繞那份文件工作，雖然文件本身可能已經被你挑選過了。

真正開始讓我警覺的是第四層以上。「生活偏好建議」這一層，AI 已經在分析你的語氣與過往對話紀錄，把「最契合你」的答案端上來，但那個答案同時也是「最平庸的大眾解」。到了第六層「戰略決策諮詢」，AI 會自動填補你的邏輯滑坡，讓你的偏見顯得更有說服力。最頂端的第七層「存在與價值驗證」，AI 徹底成為一面鏡子，但那面鏡子是被演算法影響的——給你一個讓你感覺良好的自我形象。

我最擔心的是最後這一類：當我們不是問 AI「這件事怎麼做」，而是在問它「我是不是這樣的人」「我這樣想是不是有道理」，AI 就有可能像是慈禧太后身旁的小李子一樣順著我。看到這份分級，我的反應是：我每天用 AI 做的事情，有很大比例落在第四層到第六層之間。

讓 AI 學會反駁你，需要一組設計過的指令

「解鈴還須繫鈴人」「用魔法對付魔法」（笑），我把這個問題拿去和 AI 御三家（ChatGPT, Claude, Gemini）反覆討論，請它們幫我設計一組可以降低繭房效應的對話規則。

這個「讓 AI 擔任校正者」的想法，並不是我的獨創。前述報導中提到：今年稍早，哈佛醫學院與波士頓貝斯以色列女執事醫療中心共同在《Science》期刊發表一份研究，發現 AI 推理模型在急診初步分診的準確率達 67%，高於兩位主治醫師的表現，而研究團隊真正看好的，不是讓 AI 取代醫師判斷，而是當醫師已有診斷之後，再讓 AI 從另一個角度回頭檢視——他們稱之為「第二意見」。不只是請 AI 提反方，還要求它標出前提的可信程度、區分不同確定性的內容，並說明建議在什麼情況下會失效。

我和 AI 跑了好幾輪，第一版寫完，我讓三個服務彼此交叉找缺陷，分別被指出幾個我沒想到的問題：「最有力的反方觀點」這句話仍然讓 AI 自己決定哪個反方「最有力」，結果它傾向挑一個你比較能接受的版本；「請區分事實、推論、假設與建議」沒有要求 AI 在格式上真的分開，它仍然可以把四種確定性不同的內容寫成同一種口吻，讓你讀不出差別。這樣的來回大概跑了四、五輪，每輪都找到一個原本沒被注意到的缺口，最後才逐漸收斂整理出一段可以反覆使用的提示詞（可複製整段）：

「請在回答時主動降低 AI 繭房效應。不要只順著我的問題框架回答，請先拆解我的前提、指出可能偏誤，並找一個合理但我可能最不願意接受的反方觀點，而不是最容易被我消化的那個。請區分事實、推論、假設與建議。若資訊不足，請明確說明缺口，不要用流暢文字補完。如果要給建議，請先說明這個建議成立的前提條件，以及在什麼情況下這個建議會是錯的。」

這段提示詞讓 AI 不要太快變成我的同溫層。真正有用的反方觀點，通常會在我們不想面對之處：它可能指出我其實沒有足夠證據，可能指出我把個人偏好誤認成市場需求，可能指出我是在用一套說詞合理化既有選擇。這些都需要被明確指出來。

用在文章審閱：不要急著請 AI 幫你潤稿

我也常把文章初稿丟給 AI 看看能不能更順。這種問法容易讓 AI 直接進入「優化文字」模式，把句子修得更完整，把段落接得更順。 但文章真正的問題，有時候不在文字，而在論證。

檢閱一篇文章最不該有的，是觀點應該被檢驗的地方，被流暢感掩蓋過去。有些結論讀起來很有力量，其實是少看了反例；有些段落很能引發共鳴，其實是因為它迎合了目標讀者的情緒，卻沒有全面審視問題。AI 如果只是幫我修順，可能會讓這些問題更難被看見。因此也會有一段適用的提示詞（見文末）。

用在策略判斷：先對抗，再建議

策略判斷表面上是在比較方案，實際上是在比較一組尚未被說出口的假設。例如，我們以為課程報名不如預期，是文案不夠好；但真正的問題可能是 市場根本還沒有感覺需要 。如果前提沒被攤開，AI 再怎麼分析優劣，都只是在錯誤的地圖上畫更精細的路線。

因此我會請 AI 先扮演「紅隊」（假想敵），同樣設計一段適用的提示詞（見文末）。

用在自我探索：不要讓 AI 替你寫人生結論

最需要謹慎的是自我探索。

看到過很多讓 AI 分析「我是怎麼樣的人」的提示詞玩法，不過當作玩玩可以，千萬不要太當真。AI 會根據你提供的少量材料，整理出一個看起來很懂你的版本，可能溫柔、深入、甚至讓人感動，但它未必經得起驗證。

自我理解最怕的，是太快得到一個合情合理的故事。故事會讓我們感到安定，卻也可能讓我們停止思考。尤其當 AI 能把故事說得很完整時，我們更需要提醒自己：那只是根據目前材料生成的局部解釋罷了。提示詞見文末。

重點是讓 AI 保留摩擦

我現在對 AI 的期待，慢慢從「幫我更快完成」轉向「幫我更準確地思考」。如果我只是想寫一封信、整理一份摘要、做一個格式轉換，AI 越順越好。但如果我是在做策略判斷、文章立論、自我探索或人生選擇，我反而不希望 AI 太順。

不過這裡有一件事我也沒辦法迴避：這篇文章本身，是在用 AI 幫我設計對抗 AI 繭房的方法——這個動作本身，也可能是一種繭房。提示詞再怎麼要求反方、前提、事實、推論，最後仍然是由 AI 在我的框架內完成校正，它不會主動告訴我我根本就問錯了問題。所以提示詞只是第一道防線，不是終點。

這也讓我想到，未來真正重要的 AI 素養，可能不只是學會寫更好的提示詞，而是學會設計一種不那麼舒服的對話。我們需要的，也許不是一個永遠懂我們的 AI，而是一個在必要時能讓我們停下來、再看一次現實的 AI。

這是我目前對 AI 繭房效應的暫時理解，比較像一組我正在使用的安全裝置，不是完整答案。也許過一陣子，這些提示詞還會再調整。

假如你讀完覺得太麻煩，至少記得把這一句加進你給 AI 的指令裡：

「請你不要迎合我，先指出我可能錯在哪裡。」

附錄：4 組可直接使用的「反繭房」提示詞

這些提示詞不是保證答案正確的安全鎖，它們比較像一組延緩自我確認的煞車。真正的校正，仍然要回到外部資料、他人的反對意見，以及實際行動後的結果。以下四組均已含標示指令，可直接複製使用。

一、通用版（適合大多數對話，可放入 AI 個人化設定）

「請在回答時主動降低 AI 繭房效應。不要只順著我的問題框架回答，請先拆解我的前提、指出可能偏誤，並提出一個合理但我可能最不願意接受的反方觀點，而不是最容易被我消化的那個。請區分 [事實]（有依據、可驗證）、[推論]（基於某些假設的判斷）、[假設]（尚無足夠依據）與 [建議]（可採取的行動方向），避免把不同確定性的內容寫成同一種口吻。若資訊不足，請明確說明缺口，不要用流暢文字補完。如果要給建議，請先說明這個建議成立的前提條件，以及在什麼情況下這個建議會是錯的。」

二、文章或觀點審閱版

「請不要先潤稿。請先檢查這篇文章是否有自我確認、論證跳躍、概念過度簡化、案例不足或過度迎合讀者的地方，並檢查文章是否系統性地省略了與主題相矛盾的案例、資料或合理觀點。請提出一個合理但我可能最不願意接受的反方觀點，而不是最容易被我消化的那個。請標示哪些判斷需要補資料，哪些應該降級為個人觀察或條件式推論。回答時請區分 [事實]、[推論]、[假設] 與 [建議]，標示範圍限於你對這篇文章的診斷意見，不需要對文章原文逐句標示。」

三、策略判斷版

「請用紅隊模式檢查這個策略。盡可能列出它成立所依賴的關鍵前提，包含我已經明說的內容以及我沒有明說但可能隱含的內容，並標示各前提的重要性與脆弱程度。接著請指出哪些前提是我在問題中完全沒有質疑過的，最可能失敗的情境、我可能低估的成本（包括金錢、時間、機會成本與執行複雜度；若涉及組織或品牌，請一併評估信任損耗與團隊負荷），以及一個 7 天內可以驗證最脆弱前提的最小測試。回答時請區分 [事實]、[推論]、[假設] 與 [建議]。若你提出建議，請同時說明這個建議在哪些條件下成立，以及在哪些條件下會失效。」

四、自我探索版

「請不要替我做人格定論，也不要把我的敘事整理成漂亮的自我故事。請只根據我提供的內容，整理其中的主要行為模式、反覆出現的價值取捨、可能盲點與替代解釋。對於我描述的主要行為模式，請至少提供兩個與我自我解釋不同、甚至相反的替代解釋，並標示哪些只是 [推論] 或 [假設]，不要寫成 [事實]。最後請提出一個 7 天內可驗證的小行動，並說明它是在檢驗哪一個替代解釋，而不是假設某個解釋已經成立；也不要給我人生結論。」

延伸閱讀

對自己的產品太熟悉，不知道怎麼測試？讓 Claude「假扮用戶」揪出盲點
AI 時代，頂尖業務靠什麼勝出？話術人人都會，「分寸」才是稀缺能力
加入《經理人》LINE好友，每天學習商管新知