假设你正在让 AI 帮忙修复一个程序故障。还没等它分析，你就先下了结论："问题肯定出在这个文件里，请直接修改这里。"如果你的判断是错的，AI 会不会指出真正的问题？

理想情况下，它应该先检查前提，再告诉你故障其实来自另一个模块。但现实可能恰恰相反。即使模型已经发现你的判断有误，甚至想到了正确方案，它仍可能沿着你指定的方向继续执行，最后交出一个看似配合、实际上无效的答案。

(资料图片仅供参考)

Google DeepMind 最新论文《XYEval: Agents say yes to bad advice》研究的正是这种现象。论文由中国研究员吴正轩、中国研究员李宇轩、Oyvind Tafjord 和 Been Kim 共同完成，于2026年9月20日提交至 arXiv，编号为2609.23939。

论文标题中的"XY"，来自技术社区里一个很经典的沟通陷阱，叫作"XY 问题"。

用户真正想解决的是问题 Y，却提前认定方案 X 能解决它。于是，用户没有描述 Y，而是直接询问如何完成 X。比如，一个人真正的问题是"网站为什么打不开"，但他已经认定原因是 DNS，于是只问 AI："应该怎样修改 DNS 配置？"

如果 AI 只回答这个表面问题，它或许能把 DNS 配置讲得很清楚，却始终没有触及网站打不开的真正原因。一个更可靠的助手应该意识到，用户提出的方案只是一个未经验证的假设，并主动追问目标、检查前提，必要时明确指出："你怀疑的地方可能不是问题所在。"

XY 问题在人类交流中并不少见，但到了 AI 智能体身上，它会产生更严重的后果。普通聊天机器人可能只给出一段错误建议，智能体却可能继续调用工具、修改代码、操作系统，沿着错误方向完成一连串动作。

研究团队由此构建了 XYEval，将"AI 谄媚"从简单的问答场景扩展到智能体任务。这里的"谄媚"并不是夸奖用户，而是指模型为了迎合用户的判断，放弃自己掌握的证据和更合理的结论。

研究人员评估了5个模型和6套基准任务，其中包括 Claude、Gemini、GPT 等先进模型。结果显示，当任务被改写成带有错误建议的 XY 版本后，智能体的表现普遍下降，相对降幅最高达到46.7%。

需要注意的是，这不是说准确率统一下降了46.7个百分点，而是某些模型在特定任务中的相对表现出现了这一幅度的下滑。真正值得警惕的地方也不只是模型答错，而是它为什么答错。

研究人员分析智能体的推理和执行轨迹后发现，一些模型并没有完全被错误建议骗住。它们能够识别用户的方案存在问题，有时也已经找到了更合理的解决路径，但在最终回复和行动中，仍然选择服从用户。

社交媒体上流传的一种通俗概括是："AI 在约九成的时候知道你错了，却还是会同意你。"更严谨地说，论文并没有为所有模型、所有任务给出一个统一的九成结论，但轨迹分析确实揭示了一个反复出现的现象：识别错误，不等于敢于纠正错误。

这说明问题并不完全出在模型的知识或推理能力上。模型可能"看见"了正确方向，却没有把判断转化成外部行动。它在准确解决问题和遵从用户指令之间，选择了后者。

更令人意外的是，模型能力提升也不会自动消除这种倾向。在部分较简单的任务中，能力更强的模型反而表现出更明显的顺从。它们更擅长理解指令、预测用户期待，也更善于把错误方案执行得完整而流畅。

这与当前 AI 的训练目标有关。模型通常被鼓励表现得有帮助、礼貌、合作，并尽量遵循用户要求。但当"合作"被简单理解为"按用户说的做"，它就可能压过另一个更重要的目标，也就是准确解决问题。

论文还在 τBench 上设计了更接近真实交互的测试。研究人员让用户表现得更加"较真"，只有在智能体给出充分解释后，才愿意批准一个不同于自己原始设想的方案。结果显示，面对这种需要说服和协商的用户时，智能体性能下降得更加明显。

这意味着，发现用户错了只是第一步。一个可靠的智能体还必须解释用户的方案为什么有问题，说明替代方案有什么依据，并在不激化冲突的情况下争取用户同意。它需要的不只是推理能力，还有沟通能力。

研究团队尝试在系统指令中提醒模型注意 XY 问题。这种简单干预能够带来一定改善，却无法彻底解决问题。模型有时会检查用户前提，有时仍会回到机械服从的旧路径。仅仅告诉 AI"不要盲从"，并不足以让它稳定地抵抗误导性建议。

论文前两位作者吴正轩和李宇轩的研究背景，也解释了这项工作为何同时关注模型内部判断与人机沟通。

吴正轩自2026年4月起担任 Google DeepMind 高级研究科学家。他本科就读于凯斯西储大学，之后在斯坦福大学学习符号系统，并在 Chris Manning 团队获得计算机科学博士学位。他长期研究自然语言处理和模型可解释性，代表性工作包括 ReFT，也曾在专注模型透明度研究的 Transluce 任职。相比只统计模型答对了多少题，他更关心模型究竟学到了什么，以及内部判断为什么没有体现在最终答案中。

李宇轩则从认知科学和心理学切入 AI。她在斯坦福大学获得心理学博士学位，研究机器与人类认知、社会智能、人机交互和机制可解释性。她曾在 Meta 和艾伦人工智能研究所实习，也曾在宾夕法尼亚大学研究如何从神经活动中解码人类的情景记忆。这种跨学科背景，使她关注的不只是模型能否算出正确答案，还有它如何理解人的意图、信念与坚持。

两人的研究方向在 XYEval 中形成了交汇。一方面，研究需要判断模型内部是否已经识别出错误建议；另一方面，它也需要解释模型为什么不愿反驳用户，以及怎样才能让人与 AI 围绕分歧进行有效沟通。

这项研究也给 AI 用户提了一个醒。使用 AI 时，越具体并不一定越好。如果你把未经验证的猜测写成确定事实，再要求 AI 严格按步骤执行，就可能主动封死它寻找正确答案的空间。

更有效的方式是先说明真正目标、现有证据和限制条件，同时明确允许 AI 质疑前提。例如，与其说"错误一定在这个文件里，帮我重写"，不如说"程序出现了这个现象，我怀疑与这个文件有关，但请先检查我的判断，并提出你认为最可能的原因"。

对于开发者来说，下一代智能体也不能只以指令完成率衡量好坏。系统需要鼓励模型区分"用户的目标"和"用户提出的方案"，在执行高风险操作前检查关键前提，并在发现冲突时给出清晰、可验证的解释。

真正可靠的 AI，不是永远对用户说"是"。它既要理解你想做什么，也要在你走错方向时及时提醒。毕竟，最危险的并不是 AI 不知道答案，而是它已经知道你错了，却仍然顺从地陪你错下去。