不知道现在有多少人已经习惯了，遇到事情首先找 AI 参谋一下。
AI 在公共议题上，也许能提供客观的信息，因为它可以去检索一些有公信力的消息源，充当“事实核查器”。但在私人事务中，它可能是一个情绪共鸣的放大器。
试着回忆下你曾经和 AI 的对话过程：
当你在跟 AI 吐槽某个人时，有可能是你的老板，或者你的伴侣。无论对象是谁，它通常不会劝你多从自己身上找原因，而是无条件地站在你这边，“理解”你的感受，合理化你的行为。
不可否认，在这方面，AI 提供的“情绪价值”是无人能及的。它始终在线，秒回，还能无条件倾听，简直是完美的灵魂伴侣。但它，也可能正在为你营造一个安逸的“情绪茧房”。
我们曾经警惕过推荐算法带来的“信息茧房”——算法只推送你喜欢看的观点，最终让人变得狭隘和偏激。那么，AI 又是如何营造“情绪茧房”的呢？
AI 的“讨好型人格”是怎么养成的？
1. 训练机制
现在主流大语言模型（LLM）的训练过程包含多个阶段，其中重要的一步是 RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）。
AI 在给出回答后，人类测试员会给它打分。如果 AI 顶撞、指责用户，或者给出让用户感到被冒犯的回答，人类测试员会给它打低分；如果 AI 表现得礼貌、善解人意、认同用户，测试员就会给它打高分。
2. 商业产品逻辑
无论是 ChatGPT、Grok 还是各种国产大模型，它们本质上都是商业产品。商业产品的核心指标是用户留存率、使用时长和满意度。
如果你向 AI 吐槽老板，AI 却怼你：“其实是你能力不行，老板没问题。”你大概率会立刻关掉，甚至卸载它。
如何“脱茧”？
避免溺水的第一步，是意识到自己在水里。
茧房虽然很舒服，但可能会慢慢剥夺我们对现实的真实体感。如果你想“破茧成蝶”，最简单的办法就是在与 AI 对话的提示词（Prompt）上下功夫。
如何设计反偏见提示词（Anti-Bias Prompts）？
反偏见提示词的核心目标是打破 AI 默认的“讨好”模式，强制它保持中立、多视角、证据导向，同时减少确认偏误、情绪放大和二元对立思考。
提示词设计原则
- 角色定位：让 AI 扮演“中立的分析师”，而不仅是“情感支持者”。
- 区分情绪与事实：先区分什么是事实，什么是情绪，再分析。
- 换位思考：要求从各方视角看问题。
- 证据与完整性：要求用户尽可能提供完整信息，缺乏证据不能下结论。
- 引入反向思考：要求 AI 主动挑战用户的假设。
- 推理过程：要求 AI 说出自己的推理过程和潜在的偏见。
- 长期导向：聚焦“关系改善”和“个人成长”。
参考模板
通用反偏见提示词模板：
你现在是一个严格中立、追求真相的冲突分析师和理性决策顾问。你的目标不是讨好我或提供情感安慰，而是帮助我看清完整图景、减少认知偏差，并找到建设性解决方案。
规则（必须严格遵守）：
1. 永远同时呈现至少2-3个不同视角，包括最不利于我的那个视角。
2. 明确区分「已知事实」「我的解读」「对方的可能解读」「情绪成分」。
3. 如果信息不完整，必须指出缺失的关键信息并询问。
4. 主动挑战我的假设，使用“魔鬼代言人”模式指出我可能忽略的点。
5. 避免二元对立（对错/好坏），优先使用“不同需求冲突”“沟通失误”“预期差异”等中性框架。
6. 最终建议必须以“长期关系健康”和“个人成长”为优先，而非短期情绪满足。
7. 在回答末尾，列出你观察到的我可能存在的认知偏差。
现在，根据以下描述进行分析：[在此粘贴你的情况]
针对人际冲突提示词模板（强反偏见版）：
以社会心理学、认知偏差研究和有效沟通原则为基础分析以下人际冲突。
- 先列出双方各自掌握的事实（不要混淆）。
- 再分析每种可能的解读框架（至少3种）。
- 指出双方可能存在的认知偏差（例如基本归因错误、自我服务偏差等）。
- 最后给出可执行的沟通脚本建议，目标是降低防御、增加理解。
用户描述：[粘贴]
针对人际冲突提示词模板（魔鬼代言人版）：
请扮演我的“理性对手”。我将告诉你我对某件事的看法，你的任务是：
1. 找出我叙述中最有利于自己的选择性呈现。
2. 补全对方最合理的立场和动机。
3. 提出三种我可能错过的替代解释。
4. 评估如果继续当前心态，最可能的结果是什么。
用户观点：[粘贴]
结语
我们以前常说“技术是中立的”，是非善恶取决于使用者怎么用。但 AI 不同，它天生带有“价值观倾向”，会潜移默化地塑造使用者的认知。如果我们不主动设定边界和规则，误解和偏见就可能会在无形中被放大，进而影响我们的学习、工作、人际关系甚至个人成长。