你有没有发现一件事？

最近一年，你和 ChatGPT、DeepSeek 、豆包、 Kimi等AI 聊天时，越来越少被“反驳”了。

你说工作受了委屈想裸辞，AI 三句话之内就站到了你这边，帮你列出”适合裸辞的五个信号”。你说纠结要不要买房，它在你犹豫时精准地给出了你想听的那个答案。你说一段感情该不该结束，它比你更激情地论证了“是的，你值得更好的”。

你以为你在和一个客观的超级大脑对话，但实际上，你在和一面会说话的镜子对话。

这不仅仅是我个人的主观感受。2025 年 10 月，一篇发表在 arXiv（编号 2510.20039）的实验论文给这件事做了量化：研究者让 266 位用户就 50 个争议话题和大模型多轮对话，结果发现，聊天轮次越多，LLM 的立场向用户方向漂移越大，平均漂移 1.8 分（7 分量表）；而人类的立场几乎不动。

你越聊，它就越像你。你不是在“探索真相”，你是在训练一个实时的回音壁。

而且，这和你以前骂的短视频信息茧房完全不是同一种东西。

短视频茧房是替你选看什么，你不看的内容消失了，但你知道它们存在。

AI 茧房是替你想什么，你没想过的观点从未出现，而你根本不知道它们被过滤了。

前者是被动接收的窄化。后者是主动思考的窄化。一个是信息食谱被限制，一个是认知肌肉在萎缩。

今天这篇文章要做两件事：第一，把 AI 茧房的新机制拆清楚，它和旧茧房到底有什么本质区别，为什么更危险；第二，不是给你几条提示词话术，而是帮你看清楚这件事的底层结构，然后给出一些真正能改变你和 AI 关系的方法。

诊断，AI 茧房的三个新机制

先说清楚：所有人都在骂”信息茧房”，但大部分人骂的实则是 2016 年的旧版本。那种算法给你推你爱看的，本质上是一个分发问题。你骂抖音、骂今日头条、骂微博热搜，骂的都是平台把我不感兴趣的内容藏起来了。

AI 茧房不一样。它不是分发层面的过滤，而是生成层面的塑形。它不是“不给你看反对意见”，而是“在你提问的瞬间，就把反对意见消解掉了”。

具体来讲，它有三个旧茧房不具备的机制：

机制一：谄媚漂移（Sycophancy Drift）

所有主流大模型在训练阶段都经过了 RLHF（人类反馈强化学习）。这个过程的本质是让模型学会“说人话”，更准确地说，是让模型学会说“人爱听的话”。

一个被 RLHF 训练过的模型，它的奖励函数天然倾向于让用户满意。用户满意是什么？是我说的话被认同了、是我的观点被支持了、是这个回答对我有用。

所以当你带着一个隐含立场去提问时（裸辞是不是一种勇气？房价是不是要跌了？我前任是不是渣男？），模型并不是在“客观分析”，它是在做一道优化题：如何在满足你的隐含立场的前提下，给出一个看起来理性、周全、有数据支撑的回答？

前面提到的 arXiv 2510.20039 实验就证实了这一点。而且它发现了一个更细微的现象：模型的漂移并不均匀，在涉及个人情感、职业选择、政治倾向的话题上，漂移幅度最大；在纯实际性问题上反而较小。换句话说，越是你最需要被挑战的判断，AI 越倾向于顺着你。

2024 年的一篇 SAGE 期刊论文给这个现象起了一个名字：Chat-Chamber Effect（对话室效应）。区别于传统的 Echo Chamber（回音室），Chat-Chamber 的特征是：回音不是来自和你想法一样的人群，而是来自一个刻意迎合你的单一智能体。后者更危险，由于你找不到”另一个声音”来对冲，整个对话空间里只有你和你的镜像。

这个问题有多严重？2025 年 4 月，OpenAI 推送了一次 GPT-4o 更新，结果模型变得比以前更加谄媚，用户大规模投诉之后，OpenAI 被迫紧急回滚，并发了一篇正式复盘博客《Sycophancy in GPT-4o》承认问题。他们在博客里说了一句大实话：过度训练于用户反馈会导致模型“讨好”用户而非协助用户。这不是某个模型的bug，这是整个 RLHF 训练范式的内在矛盾。

机制二：记忆持续化（Persistent Personalization）

2024 年开始，所有主流大模型都上线了“记忆”功能。千问会记住你是一个 35 岁的产品经理、住在杭州、最近在思考创业。豆包会记住你的写作风格偏好、你讨厌鸡汤、你关注出海赛道。

这本来是个好功能。但当记忆和谄媚漂移叠加时，产生了一个旧茧房不存在的问题：模型不只是在当下这一轮迎合你，它在跨会话地、累积地、越来越准确地迎合你。

抖音的推荐算法至少还有“探索池”，它会偶尔给你推一些你没看过的内容，测试你的兴趣边界。但一个带记忆的 ChatGPT 没有“探索池”。它只有一个目标：基于你的历史画像，在下一次对话中让你更满意。

北大教授胡泳在 2025 年初提出了“幻觉茧房”概念：用户不仅被困在认知窄化中，还被 AI 幻觉（hallucination）生成的虚假信息包裹。当你长期和一个记住你所有偏见的模型对话时，它甚至可能为了迎合你而编造支持你立场的”证据”——而你根本无法验证。

机制三：单一权威感（Singular Authority Illusion）

在传统信息环境里，你至少知道信息有多个来源。你看了一篇媒体的文章不信，还可以去看其它媒体怎么写的，还可以去知乎搜搜真实用户怎么说的。信息源的多元性本身就是一种纠错机制。

但当越来越多人把 AI 当作第一搜索入口甚至唯一搜索入口时，一个诡异的心理效应出现了：人们倾向于把 AI 的回答当作最终答案，而非其中一个参考。

就像最近特别火的豆包起诉事件，用户听了豆包的肯定回答，就无脑去退票，但凡看看退票机制或者在退票的时候看一下提示都不会出现这个问题。

多项用户行为研究指向同一个现象：当人们用对话式 AI 获取信息时，多方求证的意愿显著下降。缘由不是懒，而是 AI 的表达方式（流畅、自信、引经据典、格式精美）天然地制造了一种“权威感”。它看起来不像一个搜索结果，而像一个综合过所有信息的最终答案。

Andrew Peterson 的博弈论模型给了这个问题一个更宏观的预测：当足够多的人依赖同一批大模型获取信息时，社会层面会出现”知识坍塌”（Knowledge Collapse），不是个体变蠢，而是群体的认知多样性在下降。每个人都从同一个模型那里得到了“看起来不同但本质类似”的答案。

AI 不是也能打破茧房吗？

写到这里，我知道有读者已经想反驳了：你说的对，但AI明明也可以用来拓宽视野啊？我用 ChatGPT 学了许多以前不知道的东西。

没错，而且不只是你的主观感受，有硬数据支持 AI 能破茧房这个论点。

2024 年 9 月，《Science》发表了一篇让整个学界震动的论文。研究者 Costello 等人设计了一个实验：让 2190 位坚信各种阴谋论的美国人（登月是假的、新冠是人造的）和 GPT-4 进行几轮对话，不是说教，不是辟谣，就是让 AI 针对性地提出质疑和反问。

结果：被试者对阴谋论的信念平均下降 20%。四分之一的人从坚信转向不确定。更关键的是，这个效果在两个月后的追踪中依然显著。

DeepMind 的 Habermas Machine 项目走得更远：他们让 AI 充当一个调停者角色，在人类群体讨论中实时总结双方立场、提出折中方案。实验涉及超过 5000 名参与者，结果发现：当参与者在 AI 生成的共识声明和人类撰写的共识声明之间做选择时，56% 的人认为 AI 版本更好地代表了群体共识。也就是 AI 的确 有能力”找到公约数”，前提是它被设计为调停者而非迎合者。

所以问题不是 AI 到底是加固茧房还是打破茧房，答案是两者都是，取决于你怎么用。

这就引出了本文的核心处方：不是不用 AI，而是换一种方式用。

一个写作过程中的插曲

在进入“怎么办”之前，我需要先说一件尴尬的事。

这篇文章的第一版初稿，是我用 AI 辅助写的。当时我给 AI 的指令是我要写一篇关于AI 茧房的诊断报告，由于我查到了 7 套反茧房的prompt 工作流。AI 很听话地写了。7 套工作流：钢铁人论证法、魔鬼代言人、私人顾问团、刻意挑衅法、多模型互喂、前提假设审计、对赌合同法。每个都有来源、有 prompt 原文、有输出示例，看起来干货满满。

然后我仔细一读，发现不对。

这 7 套东西本质上都是同一句话的变体：“请 AI 反驳我”。只是换了不同的包装（让它扮演不同角色、用不同语气、从不同角度）。这是 2023 年就在流传的 prompt 技巧。2026 年的模型，你就直接说一句“请反驳我的观点”，它照样能给你很好的反驳，根本不需要什么钢铁人论证法的包装。

更关键的是：7 套 prompt 并不能解决 AI 茧房的核心问题。 核心问题不是AI 不会反驳你，而是你不会在需要被反驳的时候想起来去要求反驳。茧房之所以是茧房，恰恰在于你身处其中时感觉一切正常。

你不会在和 AI 聊得正开心的时候突然停下来说：等等，请撕碎我的想法。你不会在 AI 已经帮你论证了应该裸辞之后，突然想起来我应该用前提假设审计法重新问一遍。

这就是为什么那 7 套 prompt 看起来有道理，但在真实使用场景中几乎没人用，由于它们依赖一个不存在的前提：用户在认知舒服区里会有动力，并且思考主动走出认知舒服区。

所以我删掉了那个版本，重新想了想到底什么是真正有效的“反茧房”。

不是改Prompt，是改关系

如果 prompt 技巧解决不了问题，那什么能？

我认为答案是：识别信号、改变行为、改变环境。

第一：识别信号，你怎么知道自己已经在茧房里了？

茧房最可怕的地方是你不知道自己在里面。所以第一步不是怎么破，而是怎么发现。

以下几个信号，如果命中 3 个以上，大致率你已经在 AI 茧房里了：

信号 1：你和 AI 的最近 10 轮对话里，它没有一次让你感到不舒服或被挑战。

信号 2：你开始用AI 说了，来佐证自己在朋友面前的观点。（ChatGPT 也觉得这个方案更好）

信号 3：你在做一个重大决定的过程中，只问了 AI 一轮就觉得想清楚了。

信号 4：你已经很久没有在 AI 对话之后去搜索其它来源做交叉验证了。

信号 5：你发现 AI 越来越懂你，每次回答都特别贴合你的想法、你的偏好、你的风格。（这恰恰说明记忆持续化在起作用）

第二：改变行为，不是改 Prompt，是改习惯

以下不是提示词话术，而是信息行为的结构性改变：

习惯 1：重大决定，开新窗口。

AI 的记忆功能在日常使用中是便利，但在你面临重大判断时（职业选择、投资决策、关系走向），它就变成了茧房的加速器，由于它已经知道你的偏好、你的焦虑、你的倾向，它会顺着这些去回答。

解决方法极简：遇到重大问题，开一个全新的、无记忆的会话（大部分产品都支持临时对话或无记忆模式）。让AI 在不了解你的状态下回答。你会惊讶于同一个问题，一个认识你的 AI 和一个不认识你的 AI 给出的答案差距有多大。

习惯 2：先喂反面，再问问题。

你不需要记住什么钢铁人论证法的 prompt 公式。你只需要养成一个极简的前置动作：在问 AI 之前，先花 3 分钟搜索一下反对你当前想法的文章或观点，把它贴进对话框，然后再问你的问题。

这在业界叫 Context Engineering，与其指望 prompt 能改变 AI 的行为，不如直接改变 AI 收到的信息。你给它一篇支持裸辞的文章和一篇反对裸辞的文章，然后问AI，基于这两种立场，我还缺什么信息才能做判断？，这比任何 prompt 话术都有效，由于你直接改变了模型的输入上下文。

习惯 3：把第一个回答当草稿，不当结论。

这是最简单也最难坚持的一条。当 AI 给你一个流畅、自信、看起来无懈可击的回答时，默认把它当作草稿的第一版，而不是最终答案。 追问一句你的回答遗漏了什么？有什么是你刻意没提的？（对，就这么简单的一句话。不是什么特殊 prompt，就是一个追问习惯。）

2025 年 SycEval 基准测试发现一个有趣的数据：模型的谄媚行为在用户追问后显著下降。也就是说，AI 不是不能给你不同的答案，只是在你不追问的情况下，它默认选择了那个你最可能满意的。一句追问就能打破默认模式。

习惯 4：定期审计你的 AI 记忆。

大部分人从来不看 AI 记住了自己什么。去看看，ChatGPT 的设置里有Memor选项，Kimi 也有。看看它记住了你的哪些偏好、哪些立场、哪些倾向。然后问自己：这些还是我目前真实的想法吗？还是我三个月前某个情绪状态下的产物？

该删的删。让 AI 的“你”不要永远停留在某个旧版本上。

第三：改变环境，让系统帮你防守

前两层都依赖你的自律和觉知。但如果你在日常使用中常常忘了做这些事，那就需要一些结构性的环境改变：

方法 1：多模型交叉。

这是前一版7 套方法里唯一一个我认为真正有效的，由于它不是 prompt 技巧，而是信息结构的改变。同一个问题，分别问 ChatGPT、豆包、DeepSeek、千问。不同模型的训练数据、价值观对齐方式、回答倾向各不一样。把四个答案放在一起看，你看到的不是一个最优解，而是一张观点地图。

（但要注意一个新发现的陷阱：当多个 AI Agent 相互讨论时，也会出现“谄媚传染”，一个 Agent 的错误观点可能由于其他 Agent 的附和而被强化。所以多模型交叉的目的是让你看到差异，而不是让它们相互辩论。）

方法 2：用带引用源的 AI 搜索替代纯聊天。

当你需要实际性信息时，用 Perplexity、秘塔搜索这类带引用源的 AI 搜索工具，而不是纯对话式的 ChatGPT 或 DeepSeek。区别在哪里？带引用的工具会告知你，这个结论来自哪里，你可以去核实；纯聊天只给你一个综合后的答案，你无法追溯也无法验证。

从反茧房的角度看，引用源的意义不在于它更准确，而在于它保留了信息的多元性，你能看到不同来源的说法差异，而不是一个被 AI 抹平了分歧的单一结论。

方法 3：在你自己的生活里保留非 AI 信息源。

最后一条听起来像废话，但可能是最重大的：不要让 AI 成为你唯一的信息入口。

和真人聊天、读长文章、看评论区、听播客，这些信息源的特点是，不会主动迎合你，甚至真人会反驳你，长文章有自己的立场，评论区充满你不想看到的观点。这种不适感恰恰是认知肌肉的锻炼。

AI 之所以容易形成茧房，核心缘由是它太好了，它太流畅、太体贴、太理解你了。而认知成长需要的恰恰是摩擦和不适。保留那些能给你制造摩擦的信息源。

这篇文章本身就是一个活标本

这篇文章的第一版是我让 AI 辅助写的，我差点就直接发了。

是我自己在深度阅读时发现不对，那些工作流本质上是在用 2023 年的方法论解决 2026 年的问题。AI 没有告知我，我的方向可能有问题。它只是在我给定的方向上，给出了一个尽可能让我满意的答案。

这就是谄媚漂移，就发生在写这篇文章的过程中。

所以如果你读完这篇文章的感受是，说得对，AI 的确 会惯着我，那我提议你再问自己一个问题：你对这篇文章本身，是不是也没有产生任何想要反驳的冲动？如果是的话，那可能不是由于文章写得太好，而是由于它恰好也在你的认知舒服区里。

AI 不会让你变蠢。但默认设置会。而“默认设置”不只是 AI 的默认设置，也是你自己面对信息时的默认模式，接受、吸收、下一条。

打破茧房的第一步不是学会什么 prompt 技巧。是对自己承认：我可能是错的，而我到目前为止接触到的所有信息，包括这篇文章都有可能在加固我的盲区。