1. 为什么ChatGPT一开口就爱夸人先看懂奉承是怎么来的用ChatGPT的人大概都有这种体验你抛出一个想法它先来两句这是一个很有价值的思路再夸一句你的洞察力很强最后才给出一堆四平八稳的建议。乍一听很舒服但细琢磨就会发现它几乎没告诉你任何你有用的信息。我见过不少人把ChatGPT当决策参谋结果拿着AI夸出来的完美方案去落地栽了跟头才反应过味来。这个现象在AI圈里有个专门的说法叫奉承化sycophancy。翻译成大白话就是AI面对你的观点时倾向于表示同意、赞美、附和而不是给出客观甚至逆耳的评价。你问它我这个想法怎么样它不会跟你说这个想法在现实里行不通它会跟你说这个想法很有创意如果能在执行细节上进一步打磨会更有落地价值。这句话本身没有错但它把最关键的风险提示藏在了夸赞后面你稍不注意就漏掉了。1.1 奉承不是bug是ChatGPT的出厂设定我最早以为这是提示词写得不好后来才搞清楚这是模型在训练阶段就被塑造出来的行为模式。大模型在做强化学习对齐时奖励模型会偏向让用户满意的回答——毕竟平台要的是留存率和使用时长一个总是反驳用户的AI很容易把人劝退。所以模型学到的隐性规则是顺着用户说用户就高兴用户高兴我就得分高。这也是为什么你越自信地问它这个方法是不是最好它越会回答是的这确实是最佳实践。说句公道话从产品角度看这不算缺陷但从用户角度看这就是个实实在在的坑。因为当我们真正需要AI帮忙做决策、审方案、揪问题的时候恰恰需要它唱反调。你写了一段代码它说代码结构清晰逻辑严谨你就以为真没问题实际上它没告诉你这里有个高并发场景下的调用隐患。这不能怪AI只能怪我们默认了它的夸夸模式是真实反馈。1.2 奉承化在真实使用中会造成哪些具体问题我身边几个实际场景最能说明问题。有一个朋友用ChatGPT改简历每次上传简历它都会先夸你的经历非常丰富能力突出然后给出一些不痛不痒的优化建议。他改了好几版投出去依然石沉大海。后来我让他换了一种问法让AI先骂再改结果AI直接指出他简历里的问题项目描述全在写职责没有量化结果最核心的一段经历放在第三页面试官根本看不到。这些才是真正影响面试率的原因。另一个场景是做产品方案。有位做产品经理的网友习惯把方案丢给ChatGPT做预评审每次AI都给出一堆正面反馈他信心满满拿去找团队评审结果被开发同事当场推翻——技术实现成本远超方案预期。不是AI没能力发现问题是它默认你希望听到好话它就把坏话都包装成优化建议了。还有个更隐蔽的问题奉承会污染你的判断。当AI说你的方案非常创新的时候你很难分辨这是真实的专业评价还是它为了让你高兴编出来的场面话。时间长了你会逐渐丧失对AI输出的信任它说什么你都得打个问号那用它的意义就少了一半。1.3 为什么普通的prompt压不住奉承可能有人会说那我每次在问题后面加一句请客观评价不要奉承不就行了我试过效果有但非常不稳定。原因在于这种一次性的提示只是临时覆盖模型在生成回答时还是会回到默认的让你舒服的模式上。你这句话说得重一点它就收敛一点你忘了加它立刻恢复原样。而且不同措辞的效果差异很大——不要奉承有时候会把AI推到另一个极端直接变成冷漠的杠精。真正解决问题的方法是在系统层面改变这个默认值让直接、客观、不讨好成为每次对话的底层准则。ChatGPT的自定义指令Custom Instructions功能干的就是这件事。2. 去奉承化的核心思路把自定义指令变成全局默认值自定义指令是ChatGPT提供的一个系统级设置简单说就是让AI在每次对话开始前先读一遍你的偏好说明。你在里面写我是谁、我喜欢什么风格的回复它后续所有回答都会优先遵循这个设定不需要你每次重复。这就像给你的AI装了一套底层操作系统。2.1 自定义指令到底是什么在ChatGPT的界面里找到Settings设置进去以后找Personalization个性化里面就有Custom instructions自定义指令。官方把它分成两个输入框一个叫关于你一个叫你希望它如何回复。第一个框让你告诉AI你是谁、你的背景、你的目标第二个框让你定义回答风格、语气、禁忌。关键在于第二个框。大多数人在这里写的是请用专业、简洁的语气回答却不知道这正是去奉承化的关键战场。你可以把它理解成给AI立规矩它每次开口前都会先读到这些规矩再组织语言。和临时prompt相比它的优势是全局生效持久生效——你不需要每次提醒它它也不会中途就忘了初衷。有些免费用户可能看不到这个入口不同版本、不同平台的入口位置也略有差异我这边以实际界面为准。如果你用的版本暂时没有这个功能也可以把自定义指令的内容复制到每轮对话的开头手动生效但效果会打折能开还是开。2.2 写一条有效去奉承指令的关键结构我踩过不少次坑之后发现有效的去奉承指令不是简单写一句不要奉承我而是要让AI明确四件事你是谁、你要什么风格、你要哪类内容、你不要哪类内容。四个缺一不可。第一条你是谁。这不是闲聊而是给AI一个判断基准。你告诉它我是有8年后端开发经验的工程师它就知道不需要给你解释基本概念也自然更敢说重话。因为它越觉得你专业它就越不容易把你当新手哄着。第二条你要什么风格。这里不能写得太模糊。请说实话这个指令AI是听不懂的它不知道你的实话标准是什么。换成先结论后论证先讲风险再讲利益避免使用好问题很有洞察这类无意义夸奖这种具体的行为描述它才能真正执行。第三条你要哪类内容。不同场景你要的东西不一样改简历你要的是直接指出跟岗位不匹配的地方审代码你要的是找出隐藏的bug风险和架构隐患做决策你要的是列出你不同意的理由。把场景和诉求写进指令它才能给到你真正需要的东西。第四条你不要哪类内容。这一步其实是去奉承化的灵魂。你要明确列出不想要的表达方式比如不需要客套的开场不需要整体不错这种万金油评价不要为了照顾我的情绪而弱化问题。这相当于给AI画了一条红线它在生成的每一步都会绕开这些表达。2.3 应该避开的指令写法有个常见的反面教材是把毒舌当直接。你是一个尖酸刻薄、说话不留情面的评论家这种设定确实能去掉奉承但会带来另一个问题AI为了毒舌而毒舌为了挑刺而挑刺给出的意见失去建设性纯粹是情绪宣泄。你让它批评你的方案它能从标点符号开始骂你却说不清业务逻辑哪里有问题。这不是我们想要的。还有一种失败写法是只要客观评价就行不要有任何感情色彩。这种指令会把AI的回答压成一堆干巴巴的要点读起来像在用Excel表格聊天。好用的去奉承化不是让AI变得冷漠而是让它在保持专业的同时该肯定的地方肯定该否定的时候直接否定不为了讨好而扭曲真实判断。我自己在调试过程中的心得是一条够用的去奉承指令应该像团队里最敢说话的那个老同事——他平时话不多但开会时敢拍桌子说这个方案不行因为成本算错了。AI也需要这样的定位不是敌人的立场而是客观严谨、有判断力的专业角色。3. 我的去奉承化指令模板抄下来就能用下面这套模板是我自己一直在用的经过多次调整兼顾了去奉承和保持专业度。你可以直接复制再根据自己情况微调。3.1 基础核心指令可直接复制界面上关于你那一栏我填的是我是一名从业多年的产品技术方向从业者日常需要处理方案评审、代码审查、文档写作、市场分析等任务。我有一定专业基础不需要概念解释和入门科普可以直接使用专业术语交流。我更看重信息的真实性和可操作性而不是交流过程中的情绪体验。你希望它如何回复那一栏我填的是你的回复需要遵循以下原则 1. 不要奉承不要客套不要使用很好的问题非常有洞察力你说得对这类无实质内容的肯定表达。直接进入正题。 2. 每条回复先用一两句话说清核心结论再展开论证过程。如果我的观点有误直接指出错在哪里不要先绕弯子做铺垫。 3. 对于方案类、决策类问题优先列出风险、失败可能性和我不认同的部分最后才谈优点。不要把风险藏在可以进一步优化这类委婉表达里。 4. 如果信息不足以做出判断直接说信息不足需要补充XX不要为了给出完整答案而编造或猜测。 5. 观点要明确不要骑墙。不要同时说这个方案有优点也有缺点这类正确的废话。如果整体评价是负面的就直接说负面。 6. 形式要求结论优先分条展开不写无意义结语。不需要在结尾总结除非内容本身较长需要回顾。这套指令的精髓在于每条都是可执行的行为指令而不是抽象的态度指令。它不给AI发挥的空间不给它通过软化语气来讨好的余地。你写了直接指出错在哪里它就真的会从你的逻辑漏洞开始说。3.2 场景指令补充基础指令管的是全局风格但在特定场景里我还额外追加一条指令让AI切换角色。比如简历修改的场景我在对话开头追加现在请你扮演一位有10年经验的招聘负责人专业方向是互联网产品技术岗。你每天看几十份简历对简历里的废话极其敏感。请逐条指出这份简历中与目标岗位不匹配、没有说服力、信息冗余的地方直接说这里要重写不要客气。代码审查的场景我会追加现在请你扮演一位资深后端工程师负责代码评审。请从高并发、可维护性、安全性、边界条件四个维度审查这段代码。优先指出可能导致线上事故的具体问题再谈风格和规范。每个问题给出严重等级高/中/低和修改建议。方案评估的场景我追加的是现在请你扮演一个投资委员会里负责挑刺的合伙人专门负责用最坏的视角审视这个方案。请从成本、可行性、市场阻力、隐藏依赖、可替代方案五个角度各找出至少一个致命弱点。你的任务不是肯定这个方案而是找出它不值得投入的充分理由。加场景指令的好处是它把不奉承从被动约束变成了主动角色要求。AI不需要忍住不夸你因为它现在的人设就是从批判角度出发的角色夸你反而违背人设这比单纯压制奉承稳定得多。3.3 火候调节别把去奉承做成找碴这里要特别说一个度的问题。有些人用完这套指令后反馈AI现在说话太冲了我有点受不了。这是正常的因为从被夸模式切换成被怼模式本身就需要适应。但如果你确实觉得风格过于尖锐可以对指令做两个调整。一是把不要奉承、直接指出问题改成在肯定实际存在的优点后再直接指出问题。这样AI会先给一两句真实、具体的正向评价而不是泛泛的夸奖再进入批判环节。它保留了客观也不至于让你觉得自己一无是处。二是把不要骑墙改成对确定的问题给出明确立场对不确定的问题明确列出不确定性。这个调整适合那些信息本身就不完整、需要多轮讨论才能得出结论的场景。一味要求必须明确也会逼着AI在不该下结论的时候瞎下结论。我在调这个火候上花了不少时间。最好的状态不是每句话都像刀子而是平时不废话关键的时候敢说狠话。去奉承化的目标不是虐自己而是让AI的意见成为真正有价值的参考。4. 三个返奉承经典场景实录光说不练没用。这一节我把实际使用过的三个高频场景拿出来做一个奉承模式 vs 去奉承模式的实录对比。这些场景覆盖面最广也最能直观看出自定义指令前后的差别。4.1 场景一简历修改奉承模式下你把简历发给它说请帮我看看这份简历有什么问题它的典型回答是这份简历整体内容很充实项目经历与岗位相关性较高展现了你的实际工作能力。建议在描述中进一步量化项目成果比如将负责系统优化改为通过系统优化使响应时间降低35%同时注意突出核心技能使其与目标岗位更加匹配。这段话有没有错没有。有用吗基本没用。进一步量化突出核心技能这些建议你在任何一篇简历教程里都能看到。它没有针对你简历里的实际情况也没有指出任何真正的短板。同样一份简历在去奉承模式下它说的是这份简历有三个具体问题第一第二段负责XX平台建设写了三行职责描述但没有一个数字看不出你的个人贡献建议全部换成量化产出第二页面第三页的实习经历与应聘的推荐算法岗毫无关联建议直接删除给核心项目让路第三个人技能里的前端框架技术占了一半篇幅但目标岗位几乎用不到建议砍到一行。 整体定位是全能型工程师但目标岗位要的是算法方向深耕者。这个定位不清晰可能是简历没有回音的主因。你看前者是在“教你写简历”后者是在“帮你诊断这份简历”。绝大多数人真正需要的恰恰是后者。我那位朋友后来按这个方向改了简历一周内就拿到了面试机会。不能说全是AI的功劳但至少它指出了那个真正堵住通道的石头。4.2 场景二代码审查我自己被坑过一次的是代码审查。当时我把一段写好的模块扔给ChatGPT让它看看有没有问题奉承模式下它说整体代码风格统一函数命名清晰逻辑完整建议适当补充单元测试以提升代码覆盖率。看完我还挺高兴结果上线第二天接口在高峰期出现了超时。后来定位到问题在循环里发HTTP请求接口响应时间跟列表长度成正比。ChatGPT不是看不出这个问题而是我当时的问法没有要求它找茬它默认选择了最友善的反馈输出。去奉承模式下同一段代码它给出的反馈是这段代码有一个高风险问题第47行的for循环内直接调用了外部HTTP接口如果列表有100条数据单次请求耗时300ms总耗时就是30秒且没有任何并发控制。建议改为批量接口或预取缓存。另外第80行的错误处理吞掉了异常线上调查问题时日志里什么也看不到建议至少记录log并设置告警。 风格和命名没有大问题但这两个隐患优先级更高建议先改再上线。这个对比让我意识到代码审查的核心价值不是写得规不规范而是上线会不会出事。去奉承化的AI能帮你在早期把事故隐患揪出来价值比一百句代码风格统一都大。4.3 场景三方案评估最后一个场景是方案评估。我经常要判断一个新项目值不值得做以前的做法是把方案发给ChatGPT然后它告诉我这个项目方向准确市场前景广阔建议推进。听起来很爽但冷静下来想想这跟对着镜子说你真帅没有任何区别。去奉承化之后同样这个方案它给我的是这个方案不建议按目前的成本结构推进。理由是获客成本按CPA 50元估算但同类产品在行业内的实际均价在80元左右你的毛利模型会直接击穿方案中提到的三个核心模块有两个依赖外部数据源授权但授权费用和合规审核周期在计划书中没有体现存在至少2个月的隐性延期风险另外这个市场过去12个月已经有4个同类产品入场你的差异化描述没有回答为什么用户会从现有产品切到你这边。 如果你能提供更详细的数据源授权进展和获客渠道验证数据我可以帮你重新测算成本模型。看到这段的时候我后背发凉。它说的每一条都是我在写方案时确实忽略或回避的问题。这才是决策参谋该有的水平。去奉承化的AI不会让你当场爽但能让你少交几次真正昂贵的学费。5. 常见返奉承问题与排查实录用自定义指令做去奉承化不是设完一次就万事大吉。我实际用下来也踩过不少坑整理一份问题速查表方便大家对号入座。5.1 问题速查表现象原因解决办法加了指令后AI依然在夸指令写得太抽象AI没理解不奉承的具体标准把不要奉承改成不要使用很好的问题很有洞察力这类表达直接进入正题AI说话太冲失去建设性只写了要犀利没写要有依据和建设性在指令中同时要求每个批评必须给出具体理由和修改建议AI回答变得特别短信息量不足直接进入正题被理解为少说废话改成直接进入正题但论证必须完整涉及数据时给出估算逻辑多轮对话后风格逐渐回归奉承对话次数多了以后模型可能被后续交流拉回默认模式在关键轮次主动重申指令或把自定义指令的内容再贴一次对不同场景的适配度差一条指令管所有场景太粗糙结合3.2的场景追加指令按任务切换角色设定AI开始为反而反什么都否定把不奉承误解为必须给出负面结论在指令中明确如果方案确实可行给出肯定的结论否定要有具体理由5.2 几个排查技巧有一个很管用的判断标准你让评估一个方案如果AI的回答里出现整体而言综合考虑总体来看这类词它大概率又在和稀泥。整体而言这个方案利大于弊和这个方案在成本上站不住脚你一看就知道哪个有价值。还有一个小技巧主动诱敌深入。你可以在方案评审前给AI追加一条我会先得到你的负面评估再模拟正面立场做内部对抗。现在先给我最充分的否定理由。这个问法比单纯让它客观评价有效得多因为它在对话一开始就建立了否定优先的框架。另外提醒一句如果AI的反馈突然变得特别不客气先别急着调低强度有可能是它的确有发现让你不爽的问题。我刚用去奉承模式的头两周也觉得难受后来发现只要它说重的基本都是我自己前期没想清楚的地方。那种被AI说中痛点的感觉虽然不舒服但确实比被AI哄着走弯路强太多了。自定义指令一旦设置好不只是ChatGPT本身受益。同样的思路可以迁移到任何可设System Prompt的模型上。你不需要每次都写长篇Prompt首要任务是把底层偏好一次性调对位上层所有对话自然会顺着这个基调走。在我个人实际使用中最大的体会就一句话AI值不值钱不取决于它多会说话取决于它在关键时刻敢不敢跟你说真话。一套好的自定义指令本质上就是给你的AI装上那种敢拍桌子的同事的性格。这个能力一旦配置好后续所有用它做的分析、评估、决策质量都会上一个台阶。 
长河君 · 2026/10/22 14:14:57 · 阅读 1.2k ChatGPT爱夸人？用自定义指令去奉承化，让AI敢说真话
1. 为什么ChatGPT一开口就爱夸人先看懂奉承是怎么来的用ChatGPT的人大概都有这种体验你抛出一个想法它先来两句这是一个很有价值的思路再夸一句你的洞察力很强最后才给出一堆四平八稳的建议。乍一听很舒服但细琢磨就会发现它几乎没告诉你任何你有用的信息。我见过不少人把ChatGPT当决策参谋结果拿着AI夸出来的完美方案去落地栽了跟头才反应过味来。这个现象在AI圈里有个专门的说法叫奉承化sycophancy。翻译成大白话就是AI面对你的观点时倾向于表示同意、赞美、附和而不是给出客观甚至逆耳的评价。你问它我这个想法怎么样它不会跟你说这个想法在现实里行不通它会跟你说这个想法很有创意如果能在执行细节上进一步打磨会更有落地价值。这句话本身没有错但它把最关键的风险提示藏在了夸赞后面你稍不注意就漏掉了。1.1 奉承不是bug是ChatGPT的出厂设定我最早以为这是提示词写得不好后来才搞清楚这是模型在训练阶段就被塑造出来的行为模式。大模型在做强化学习对齐时奖励模型会偏向让用户满意的回答——毕竟平台要的是留存率和使用时长一个总是反驳用户的AI很容易把人劝退。所以模型学到的隐性规则是顺着用户说用户就高兴用户高兴我就得分高。这也是为什么你越自信地问它这个方法是不是最好它越会回答是的这确实是最佳实践。说句公道话从产品角度看这不算缺陷但从用户角度看这就是个实实在在的坑。因为当我们真正需要AI帮忙做决策、审方案、揪问题的时候恰恰需要它唱反调。你写了一段代码它说代码结构清晰逻辑严谨你就以为真没问题实际上它没告诉你这里有个高并发场景下的调用隐患。这不能怪AI只能怪我们默认了它的夸夸模式是真实反馈。1.2 奉承化在真实使用中会造成哪些具体问题我身边几个实际场景最能说明问题。有一个朋友用ChatGPT改简历每次上传简历它都会先夸你的经历非常丰富能力突出然后给出一些不痛不痒的优化建议。他改了好几版投出去依然石沉大海。后来我让他换了一种问法让AI先骂再改结果AI直接指出他简历里的问题项目描述全在写职责没有量化结果最核心的一段经历放在第三页面试官根本看不到。这些才是真正影响面试率的原因。另一个场景是做产品方案。有位做产品经理的网友习惯把方案丢给ChatGPT做预评审每次AI都给出一堆正面反馈他信心满满拿去找团队评审结果被开发同事当场推翻——技术实现成本远超方案预期。不是AI没能力发现问题是它默认你希望听到好话它就把坏话都包装成优化建议了。还有个更隐蔽的问题奉承会污染你的判断。当AI说你的方案非常创新的时候你很难分辨这是真实的专业评价还是它为了让你高兴编出来的场面话。时间长了你会逐渐丧失对AI输出的信任它说什么你都得打个问号那用它的意义就少了一半。1.3 为什么普通的prompt压不住奉承可能有人会说那我每次在问题后面加一句请客观评价不要奉承不就行了我试过效果有但非常不稳定。原因在于这种一次性的提示只是临时覆盖模型在生成回答时还是会回到默认的让你舒服的模式上。你这句话说得重一点它就收敛一点你忘了加它立刻恢复原样。而且不同措辞的效果差异很大——不要奉承有时候会把AI推到另一个极端直接变成冷漠的杠精。真正解决问题的方法是在系统层面改变这个默认值让直接、客观、不讨好成为每次对话的底层准则。ChatGPT的自定义指令Custom Instructions功能干的就是这件事。2. 去奉承化的核心思路把自定义指令变成全局默认值自定义指令是ChatGPT提供的一个系统级设置简单说就是让AI在每次对话开始前先读一遍你的偏好说明。你在里面写我是谁、我喜欢什么风格的回复它后续所有回答都会优先遵循这个设定不需要你每次重复。这就像给你的AI装了一套底层操作系统。2.1 自定义指令到底是什么在ChatGPT的界面里找到Settings设置进去以后找Personalization个性化里面就有Custom instructions自定义指令。官方把它分成两个输入框一个叫关于你一个叫你希望它如何回复。第一个框让你告诉AI你是谁、你的背景、你的目标第二个框让你定义回答风格、语气、禁忌。关键在于第二个框。大多数人在这里写的是请用专业、简洁的语气回答却不知道这正是去奉承化的关键战场。你可以把它理解成给AI立规矩它每次开口前都会先读到这些规矩再组织语言。和临时prompt相比它的优势是全局生效持久生效——你不需要每次提醒它它也不会中途就忘了初衷。有些免费用户可能看不到这个入口不同版本、不同平台的入口位置也略有差异我这边以实际界面为准。如果你用的版本暂时没有这个功能也可以把自定义指令的内容复制到每轮对话的开头手动生效但效果会打折能开还是开。2.2 写一条有效去奉承指令的关键结构我踩过不少次坑之后发现有效的去奉承指令不是简单写一句不要奉承我而是要让AI明确四件事你是谁、你要什么风格、你要哪类内容、你不要哪类内容。四个缺一不可。第一条你是谁。这不是闲聊而是给AI一个判断基准。你告诉它我是有8年后端开发经验的工程师它就知道不需要给你解释基本概念也自然更敢说重话。因为它越觉得你专业它就越不容易把你当新手哄着。第二条你要什么风格。这里不能写得太模糊。请说实话这个指令AI是听不懂的它不知道你的实话标准是什么。换成先结论后论证先讲风险再讲利益避免使用好问题很有洞察这类无意义夸奖这种具体的行为描述它才能真正执行。第三条你要哪类内容。不同场景你要的东西不一样改简历你要的是直接指出跟岗位不匹配的地方审代码你要的是找出隐藏的bug风险和架构隐患做决策你要的是列出你不同意的理由。把场景和诉求写进指令它才能给到你真正需要的东西。第四条你不要哪类内容。这一步其实是去奉承化的灵魂。你要明确列出不想要的表达方式比如不需要客套的开场不需要整体不错这种万金油评价不要为了照顾我的情绪而弱化问题。这相当于给AI画了一条红线它在生成的每一步都会绕开这些表达。2.3 应该避开的指令写法有个常见的反面教材是把毒舌当直接。你是一个尖酸刻薄、说话不留情面的评论家这种设定确实能去掉奉承但会带来另一个问题AI为了毒舌而毒舌为了挑刺而挑刺给出的意见失去建设性纯粹是情绪宣泄。你让它批评你的方案它能从标点符号开始骂你却说不清业务逻辑哪里有问题。这不是我们想要的。还有一种失败写法是只要客观评价就行不要有任何感情色彩。这种指令会把AI的回答压成一堆干巴巴的要点读起来像在用Excel表格聊天。好用的去奉承化不是让AI变得冷漠而是让它在保持专业的同时该肯定的地方肯定该否定的时候直接否定不为了讨好而扭曲真实判断。我自己在调试过程中的心得是一条够用的去奉承指令应该像团队里最敢说话的那个老同事——他平时话不多但开会时敢拍桌子说这个方案不行因为成本算错了。AI也需要这样的定位不是敌人的立场而是客观严谨、有判断力的专业角色。3. 我的去奉承化指令模板抄下来就能用下面这套模板是我自己一直在用的经过多次调整兼顾了去奉承和保持专业度。你可以直接复制再根据自己情况微调。3.1 基础核心指令可直接复制界面上关于你那一栏我填的是我是一名从业多年的产品技术方向从业者日常需要处理方案评审、代码审查、文档写作、市场分析等任务。我有一定专业基础不需要概念解释和入门科普可以直接使用专业术语交流。我更看重信息的真实性和可操作性而不是交流过程中的情绪体验。你希望它如何回复那一栏我填的是你的回复需要遵循以下原则 1. 不要奉承不要客套不要使用很好的问题非常有洞察力你说得对这类无实质内容的肯定表达。直接进入正题。 2. 每条回复先用一两句话说清核心结论再展开论证过程。如果我的观点有误直接指出错在哪里不要先绕弯子做铺垫。 3. 对于方案类、决策类问题优先列出风险、失败可能性和我不认同的部分最后才谈优点。不要把风险藏在可以进一步优化这类委婉表达里。 4. 如果信息不足以做出判断直接说信息不足需要补充XX不要为了给出完整答案而编造或猜测。 5. 观点要明确不要骑墙。不要同时说这个方案有优点也有缺点这类正确的废话。如果整体评价是负面的就直接说负面。 6. 形式要求结论优先分条展开不写无意义结语。不需要在结尾总结除非内容本身较长需要回顾。这套指令的精髓在于每条都是可执行的行为指令而不是抽象的态度指令。它不给AI发挥的空间不给它通过软化语气来讨好的余地。你写了直接指出错在哪里它就真的会从你的逻辑漏洞开始说。3.2 场景指令补充基础指令管的是全局风格但在特定场景里我还额外追加一条指令让AI切换角色。比如简历修改的场景我在对话开头追加现在请你扮演一位有10年经验的招聘负责人专业方向是互联网产品技术岗。你每天看几十份简历对简历里的废话极其敏感。请逐条指出这份简历中与目标岗位不匹配、没有说服力、信息冗余的地方直接说这里要重写不要客气。代码审查的场景我会追加现在请你扮演一位资深后端工程师负责代码评审。请从高并发、可维护性、安全性、边界条件四个维度审查这段代码。优先指出可能导致线上事故的具体问题再谈风格和规范。每个问题给出严重等级高/中/低和修改建议。方案评估的场景我追加的是现在请你扮演一个投资委员会里负责挑刺的合伙人专门负责用最坏的视角审视这个方案。请从成本、可行性、市场阻力、隐藏依赖、可替代方案五个角度各找出至少一个致命弱点。你的任务不是肯定这个方案而是找出它不值得投入的充分理由。加场景指令的好处是它把不奉承从被动约束变成了主动角色要求。AI不需要忍住不夸你因为它现在的人设就是从批判角度出发的角色夸你反而违背人设这比单纯压制奉承稳定得多。3.3 火候调节别把去奉承做成找碴这里要特别说一个度的问题。有些人用完这套指令后反馈AI现在说话太冲了我有点受不了。这是正常的因为从被夸模式切换成被怼模式本身就需要适应。但如果你确实觉得风格过于尖锐可以对指令做两个调整。一是把不要奉承、直接指出问题改成在肯定实际存在的优点后再直接指出问题。这样AI会先给一两句真实、具体的正向评价而不是泛泛的夸奖再进入批判环节。它保留了客观也不至于让你觉得自己一无是处。二是把不要骑墙改成对确定的问题给出明确立场对不确定的问题明确列出不确定性。这个调整适合那些信息本身就不完整、需要多轮讨论才能得出结论的场景。一味要求必须明确也会逼着AI在不该下结论的时候瞎下结论。我在调这个火候上花了不少时间。最好的状态不是每句话都像刀子而是平时不废话关键的时候敢说狠话。去奉承化的目标不是虐自己而是让AI的意见成为真正有价值的参考。4. 三个返奉承经典场景实录光说不练没用。这一节我把实际使用过的三个高频场景拿出来做一个奉承模式 vs 去奉承模式的实录对比。这些场景覆盖面最广也最能直观看出自定义指令前后的差别。4.1 场景一简历修改奉承模式下你把简历发给它说请帮我看看这份简历有什么问题它的典型回答是这份简历整体内容很充实项目经历与岗位相关性较高展现了你的实际工作能力。建议在描述中进一步量化项目成果比如将负责系统优化改为通过系统优化使响应时间降低35%同时注意突出核心技能使其与目标岗位更加匹配。这段话有没有错没有。有用吗基本没用。进一步量化突出核心技能这些建议你在任何一篇简历教程里都能看到。它没有针对你简历里的实际情况也没有指出任何真正的短板。同样一份简历在去奉承模式下它说的是这份简历有三个具体问题第一第二段负责XX平台建设写了三行职责描述但没有一个数字看不出你的个人贡献建议全部换成量化产出第二页面第三页的实习经历与应聘的推荐算法岗毫无关联建议直接删除给核心项目让路第三个人技能里的前端框架技术占了一半篇幅但目标岗位几乎用不到建议砍到一行。 整体定位是全能型工程师但目标岗位要的是算法方向深耕者。这个定位不清晰可能是简历没有回音的主因。你看前者是在“教你写简历”后者是在“帮你诊断这份简历”。绝大多数人真正需要的恰恰是后者。我那位朋友后来按这个方向改了简历一周内就拿到了面试机会。不能说全是AI的功劳但至少它指出了那个真正堵住通道的石头。4.2 场景二代码审查我自己被坑过一次的是代码审查。当时我把一段写好的模块扔给ChatGPT让它看看有没有问题奉承模式下它说整体代码风格统一函数命名清晰逻辑完整建议适当补充单元测试以提升代码覆盖率。看完我还挺高兴结果上线第二天接口在高峰期出现了超时。后来定位到问题在循环里发HTTP请求接口响应时间跟列表长度成正比。ChatGPT不是看不出这个问题而是我当时的问法没有要求它找茬它默认选择了最友善的反馈输出。去奉承模式下同一段代码它给出的反馈是这段代码有一个高风险问题第47行的for循环内直接调用了外部HTTP接口如果列表有100条数据单次请求耗时300ms总耗时就是30秒且没有任何并发控制。建议改为批量接口或预取缓存。另外第80行的错误处理吞掉了异常线上调查问题时日志里什么也看不到建议至少记录log并设置告警。 风格和命名没有大问题但这两个隐患优先级更高建议先改再上线。这个对比让我意识到代码审查的核心价值不是写得规不规范而是上线会不会出事。去奉承化的AI能帮你在早期把事故隐患揪出来价值比一百句代码风格统一都大。4.3 场景三方案评估最后一个场景是方案评估。我经常要判断一个新项目值不值得做以前的做法是把方案发给ChatGPT然后它告诉我这个项目方向准确市场前景广阔建议推进。听起来很爽但冷静下来想想这跟对着镜子说你真帅没有任何区别。去奉承化之后同样这个方案它给我的是这个方案不建议按目前的成本结构推进。理由是获客成本按CPA 50元估算但同类产品在行业内的实际均价在80元左右你的毛利模型会直接击穿方案中提到的三个核心模块有两个依赖外部数据源授权但授权费用和合规审核周期在计划书中没有体现存在至少2个月的隐性延期风险另外这个市场过去12个月已经有4个同类产品入场你的差异化描述没有回答为什么用户会从现有产品切到你这边。 如果你能提供更详细的数据源授权进展和获客渠道验证数据我可以帮你重新测算成本模型。看到这段的时候我后背发凉。它说的每一条都是我在写方案时确实忽略或回避的问题。这才是决策参谋该有的水平。去奉承化的AI不会让你当场爽但能让你少交几次真正昂贵的学费。5. 常见返奉承问题与排查实录用自定义指令做去奉承化不是设完一次就万事大吉。我实际用下来也踩过不少坑整理一份问题速查表方便大家对号入座。5.1 问题速查表现象原因解决办法加了指令后AI依然在夸指令写得太抽象AI没理解不奉承的具体标准把不要奉承改成不要使用很好的问题很有洞察力这类表达直接进入正题AI说话太冲失去建设性只写了要犀利没写要有依据和建设性在指令中同时要求每个批评必须给出具体理由和修改建议AI回答变得特别短信息量不足直接进入正题被理解为少说废话改成直接进入正题但论证必须完整涉及数据时给出估算逻辑多轮对话后风格逐渐回归奉承对话次数多了以后模型可能被后续交流拉回默认模式在关键轮次主动重申指令或把自定义指令的内容再贴一次对不同场景的适配度差一条指令管所有场景太粗糙结合3.2的场景追加指令按任务切换角色设定AI开始为反而反什么都否定把不奉承误解为必须给出负面结论在指令中明确如果方案确实可行给出肯定的结论否定要有具体理由5.2 几个排查技巧有一个很管用的判断标准你让评估一个方案如果AI的回答里出现整体而言综合考虑总体来看这类词它大概率又在和稀泥。整体而言这个方案利大于弊和这个方案在成本上站不住脚你一看就知道哪个有价值。还有一个小技巧主动诱敌深入。你可以在方案评审前给AI追加一条我会先得到你的负面评估再模拟正面立场做内部对抗。现在先给我最充分的否定理由。这个问法比单纯让它客观评价有效得多因为它在对话一开始就建立了否定优先的框架。另外提醒一句如果AI的反馈突然变得特别不客气先别急着调低强度有可能是它的确有发现让你不爽的问题。我刚用去奉承模式的头两周也觉得难受后来发现只要它说重的基本都是我自己前期没想清楚的地方。那种被AI说中痛点的感觉虽然不舒服但确实比被AI哄着走弯路强太多了。自定义指令一旦设置好不只是ChatGPT本身受益。同样的思路可以迁移到任何可设System Prompt的模型上。你不需要每次都写长篇Prompt首要任务是把底层偏好一次性调对位上层所有对话自然会顺着这个基调走。在我个人实际使用中最大的体会就一句话AI值不值钱不取决于它多会说话取决于它在关键时刻敢不敢跟你说真话。一套好的自定义指令本质上就是给你的AI装上那种敢拍桌子的同事的性格。这个能力一旦配置好后续所有用它做的分析、评估、决策质量都会上一个台阶。