Day 031 · 为什么一生气，AI 产出突然变好了？

上一篇讲了一个现象：

为什么一质疑 AI，它就马上改口？

还有一个更微妙的现象：

为什么有时候你好好说，AI 没什么变化；但你一生气，它的产出突然变好了？

你说：“再优化一下。”

它只是换几个词。

你说：“更自然一点。”

它变得口语了一点，但内容还是空。

你说：“结构再清楚一点。”

它加了小标题，但文章还是散。

直到你真的有点不耐烦，说：

“你看看你在胡说些什么？”

“你都产出了什么东西啊？”

“你只是把我说过的点重新包装了一遍，有没有在好好思考？”

“不要一本正经的胡说八道，产出这种没有信息量的东西。”

然后下一版突然好很多。

是不是骂 AI 有用？

但是：

有时候它会变好。
有时候它只是写得更长、更满、更用力。
有时候它会全盘推翻上一版，把原本好的部分也改坏。
有时候它只是更努力地迎合你，但没有真正解决问题。

或许，更准确的问题可能不是：为什么一生气，AI 就变好了？

而是：

为什么有些强反馈能让 AI 变好，有些却会让它变得更乱？

真正起作用的不是生气。

而是人在生气时，可能终于说出了两件平时没说清的东西：

它具体怎么失败，以及哪些方向不要再走。

前者可以叫失败模式，也就是 failure mode。后者可以叫负向约束，也就是明确告诉 AI 哪些方向不要走。

一个告诉 AI：

现在坏在哪里。

另一个告诉 AI：

不要往哪些错误方向修。

这两件事，比“再好一点”有用得多。

AI 不会因为你生气而害怕

先把这个误解拆掉。

AI 不会像人一样感到羞愧、紧张、想补救关系，或者因为你语气重就突然认真。

它不会被骂醒。

所以“骂 AI 有用”这个说法，表面上很像经验总结，但解释不准。

真正发生的事情更可能是：

你平静的时候，给的是模糊反馈。

比如：

再好一点。
更自然一点。
更有深度一点。
不要那么 AI 味。
结构再优化一下。

这些话听起来有方向，但对 AI 来说很难执行。

什么叫更好？
什么叫自然？
什么叫有深度？
什么叫 AI 味？
结构问题是顺序错了、层级错了，还是主问题没立住？

它只能猜。

但当你真的不满意时，反而可能说出更具体的问题：

你没有讲机制。
你没有区分适用场景。
你把所有反馈都塞进去了。
你一直在润色，但问题根本不在表达。
你给了很多点，但没有论证主线。
你没有解释为什么这个方法有效。

这些话就不一样了。

这不是单纯的情绪。

这是错误诊断。

为什么强反馈有时会让 AI 变好？

我会把它拆成一条链路：

强反馈 → 触发修复模式 → 如果包含失败模式和负向约束，AI 更容易修对 → 如果只有情绪，AI 更容易过度修正。

这条链路很重要。

因为它说明：

强反馈本身不是质量保证。

它只是让 AI 更容易动。

至于动得对不对，要看你有没有说清楚：

它到底怎么失败；以及哪些方向不要再走。

第一层：强反馈会触发修复模式

现在的 AI 助手，通常不只是做过预训练。

预训练让模型学会语言、知识、模式和推理形式。

但要变成一个“好用的助手”，它还会经过指令微调，也就是 instruction tuning；以及 RLHF，全称是 Reinforcement Learning from Human Feedback，中文通常叫基于人类反馈的强化学习。

简单说，模型不只在学习：

“下一个词是什么？”

也在学习：

“什么样的回答更容易被人认为有帮助？”

这里的“有帮助”很关键。

一个有帮助的 AI，需要能理解用户意图，接受反馈，根据反馈修正，给出更符合用户期待的版本。

所以当用户明显不满意时，AI 很容易进入一种修复模式：

用户不满意。
上一版没有满足需求。
需要调整。
需要承认不足。
需要加大力度。
需要换结构、补解释、重写。

这就是为什么你语气一重，它往往会变得更“努力”。

它会写得更长。
拆得更细。
更愿意认错。
更愿意推翻上一版。
更努力贴近你刚才指出的方向。

但这里有一个坑：

更努力，不等于更好。

它可能只是更长。
更满。
更像在补救。
更像把所有反馈都塞进去。

所以，修复模式只能解释一件事：

为什么它会动。

但不能保证：

它一定往正确方向动。

第二层：真正有用的是失败模式

很多时候，我们给 AI 的反馈，只说了目标，没有说失败方式。

比如：

“更有深度一点。”

这是目标。

但它没有说明当前为什么浅。

浅可能有很多种：

只描述现象，没有解释机制；
只给结论，没有推理过程；
只讲一个场景，没有泛化边界；
只给方法，没有说明为什么有效；
堆了术语，但没有把概念讲清楚。

如果你只说“更有深度”，AI 可能会加术语、加段落、加例子。

但不一定解决问题。

再比如：

“结构更好一点。”

这也是目标。

但结构问题也有很多种：

主问题不清；
小标题之间没有推进关系；
原因、例子、方法混在一起；
每一节都能单独成立，但合起来没有论证链；
文章前半段讲机制，后半段突然变成泛泛建议。

如果你只说“结构更好”，AI 可能只是加编号。

但编号不是结构。

结构是问题如何一层一层被解决。

所以真正有效的反馈，不只是说：

“我要什么。”

而是说：

它现在是怎么失败的。

也就是失败模式。

比如：

“这不是表达问题，是论证问题。你把训练机制、上下文机制、任务机制平铺在一起了，但没有解释它们之间的因果关系。”

这句话很有效。

因为它告诉 AI：

问题层级：论证问题。
具体失败：机制平铺，没有因果。
错误方向：不要继续润色。
下一步：重建机制之间的关系。

这比“写得更深一点”强很多。

第三层：负向约束也很重要

这里还有一个经常被忽略的点。

我们很习惯告诉 AI：

我要什么。

但不太习惯告诉 AI：

我不要什么。

可是后者非常有用。

因为开放任务里，错误方向太多了。

你说：

“帮我优化这篇文章。”

AI 可以理解成很多东西：

写长一点；
写短一点；
写口语一点；
写专业一点；
加例子；
加术语；
加小标题；
换标题；
重写开头；
提高情绪浓度。

这些方向都可能叫“优化”。

但很多方向其实不是你要的。

这时候，“不要什么”就变得很重要。

比如：

不要继续润色。
不要只是加小标题。
不要写得更长。
不要堆概念。
不要全盘推翻。
不要为了显得专业而乱加术语。
不要把真实使用者的感觉写成教学口吻。

这些就是负向约束。

它的作用不是告诉 AI 往哪里走。

而是先封掉错误的路。

很多时候，AI 不是不知道努力。

它是不知道哪些方向已经被你否定了。

你只说“更有深度”，它可能去堆术语。
你只说“更自然”，它可能变得松散。
你只说“更有结构”，它可能加一堆小标题。
你只说“不要 AI 味”，它可能过度口语。

所以负向约束不是细枝末节。

它是在帮 AI 收窄空间。

尤其是做文章、文案、产品判断、简历表达这类没有唯一标准答案的任务时，告诉 AI “不要什么”，和告诉它“要什么”一样重要。

第四层：失败模式 + 负向约束，会收窄修改空间

AI 生成内容时，可能方向非常多。

你说：

“帮我优化这篇文章。”

它只能猜。

但如果你说：

“不要继续加内容。问题不是少点，而是主干不清。请先重建文章的论证顺序。”

这句话会排除掉很多错误方向。

它告诉 AI：

不要加点。
不要润色。
不要换标题。
不要继续堆例子。
先处理论证顺序。

这时，AI 可选择的修改方向变少了。

它更可能命中。

所以不是生气有魔法。

是你在生气时，有时把模糊要求变成了清晰约束。

你不只是说：

“我要更好。”

你说了：

“现在坏在哪里。”“不要往哪些方向改。”“下一步先处理什么。”

这才是强反馈真正有价值的部分。

那为什么有时候生气后反而更差？

因为 AI 对强反馈很敏感。

如果你的强反馈里有清晰诊断，它可能修对。

如果你的强反馈只有情绪，它可能只是过度修正。

比如你说：

“这完全不对。”

AI 可能会全盘推翻。

但原稿也许不是完全不对。

可能只是：

开头不够好；
例子不够准；
方法部分太泛；
结构少一层；
语气太像模板；
结尾太飘。

如果 AI 把局部问题理解成整体失败，它就会重新写一版。

新版本可能解决了一个问题，但破坏了原来好的部分。

这就是很多人和 AI 协作时会遇到的循环：

第一版太浅。第二版太硬。第三版太长。第四版太散。第五版终于有结构，但语气又不对。

看起来一直在优化。

其实是在不同标准之间来回摆。

你说重一点，它就过重。
你说自然一点，它就松散。
你说专业一点，它就堆术语。
你说别太 AI，它就过度口语。
你说要有结构，它就加很多小标题。

这不是变好。

这是过度对齐。

AI 在努力贴近你的反馈，但它没有稳定判断：

哪些反馈应该改变主干；
哪些只是局部调整；
哪些东西需要保留；
哪些问题不该用“重写全文”来解决。

所以强反馈是一把刀。

用得准，可以切中问题。用不准，就会把内容切碎。

什么时候强反馈更可能有效？

我觉得至少要满足四个条件。

第一，你指出了问题层级。

这是结构问题，还是表达问题？是方向问题，还是局部问题？是逻辑问题，还是语气问题？

如果层级判断错，后面怎么改都会偏。

第二，你说出了失败模式。

不是“没深度”，而是：

没有机制。没有边界。没有因果。没有取舍。没有解释方法为什么有效。

第三，你给了负向约束。

不是只说“更专业”，而是补一句：

不要堆术语。
不要写成论文腔。
不要为了显得专业而牺牲可读性。

不是只说“更自然”，而是补一句：

不要变成松散聊天。
不要牺牲结构。
不要过度口语。

不是只说“重写”，而是补一句：

不要全盘推翻。
保留开头和主判断，只重写中段机制。

第四，你说明了要保留什么。

如果你不说保留什么，AI 可能把好的部分也删掉。

比如：

保留标题。
保留开头的真实场景。
保留这一版的冷静语气。
保留原来的主判断，只重写方法部分。

这能防止它过度修正。

一个更有效的反馈方式

如果你对 AI 的输出不满意，不要只说：

“这不行。”

可以这样说：

“这版的问题主要是…，不是…。

具体失败模式是：

请保留：

请不要：

下一步不要直接重写全文。先告诉我你的…策略：你准备改哪几处，为什么，这些修改会解决什么问题。”

比如：

“这版的问题主要是结构问题，不是表达问题。

具体失败模式是：

主问题不清；
训练机制、上下文机制、任务机制只是平铺，没有因果推进；
方法部分太泛，不能改变实际使用方式。

请保留：

标题；
开头的真实使用场景；
专业但不学术的语气。

请不要：

继续加更多概念；
只是润色句子；
把我的反馈全部塞进正文；
为了显得有深度而堆术语。

下一步不要直接重写全文。先告诉我你的修改策略：你准备改哪几处，为什么，这些修改会解决什么问题。”

这个反馈比“你写得很差”有效很多。

也比“再优化一下”有效很多。

不是因为它更礼貌。

而是因为它更可执行。

如果你自己也说不清哪里不对

这也很常见。

很多时候，我们只知道：

“不对。”“不像我要的。”“看起来完整，但用不上。”“它好像很努力，但没有解决问题。”

但我们说不清问题到底在哪里。

这时候，不要急着让 AI 重写。

因为如果你自己还没有判断出问题层级，AI 很容易随机选一个方向修。

它可能改语气。
可能加内容。
可能变长。
可能重写结构。
可能全盘推翻。
也可能只是更努力地迎合你。

但这些都不一定是你真正需要的。

更好的做法是：先让 AI 做诊断，而不是直接修改。

可以这样问：

我不满意这个输出，但暂时说不清原因。不要直接重写。请先帮我诊断：

- 这个任务的目标是否清楚？

- 输入信息是否足够？

- 成功标准是否明确？

- 你的推理过程可能哪里不可靠？

- 输出形式是否适合当前使用场景？

- 有没有违反我给过的约束？

- 有没有过度迎合、过度修正，或者把问题改偏？

- 现在最应该做的是：澄清问题、补充信息、验证事实、重建结构，还是只做局部修改？

最后只选最可能的 2 个问题。不要列一堆看起来都有道理的问题。也不要直接给新版。

这一步的作用，是把模糊不满变成可处理的问题。

比如，AI 写的代码不对，可能不是“代码风格不好”，而是需求理解错了。AI 做的产品方案不对，可能不是“方案不够完整”，而是目标用户没定义清楚。AI 写的文章不对，可能不是“表达不好”，而是论证主干不成立。AI 给的建议不对，可能不是“不够聪明”，而是它缺少关键背景。AI 做的调研不对，可能不是“总结能力差”，而是来源不可靠或比较维度错了。

这些问题的修法完全不同。

所以在不知道怎么反馈时，最重要的不是让 AI 继续产出。

而是先让它停下来，判断失败发生在哪一层。

这也是很多 AI self-review 越改越乱的原因。

普通 self-review 很容易变成：

列出十几个问题；
每个都看似有道理；
然后下一版把所有问题都塞进去。

但 review 不是列问题。

review 是排序。

先判断什么问题最关键。

目标不清，就不要先润色。
信息不足，就不要先下结论。
事实没验证，就不要先写方案。
约束没说清，就不要先让它发散。
方向错了，就不要先做局部优化。
只是局部问题，也不要全盘推翻。

好的反馈，不一定一开始就很专业。

但它至少应该先把 AI 从“继续生成”拉回到“先诊断”。

当你说不清哪里不对时，最有用的一句话不是：

“重写一版。”

而是：

“先别改，帮我判断它到底失败在哪一层。”

最后

所以，为什么一生气，AI 产出突然变好了？

不是因为生气有用。
也不是因为 AI 欠骂。
更不是因为它突然认真了。

更系统的解释是：

强反馈会触发 AI 的修复模式；但只有当反馈里包含清晰的失败模式和负向约束，它才更可能修对。

如果只是情绪强，AI 可能会过度修正。

它会更长。更满。更用力。更快认错。但不一定更准。

真正有用的是：

问题层级变清楚了；
失败方式变清楚了；
不要什么变清楚了；
保留什么变清楚了；
下一步动作变清楚了。

情绪只是外壳。

里面真正有价值的是误差信号和约束条件。

所以，与其问：

“我是不是应该对 AI 凶一点？”

不如问：

“我能不能把不满翻译成更清楚的失败模式和负向约束？”

AI 不怕你生气。

但它非常依赖你的反馈质量。

你给它情绪，它会修复。你给它诊断和约束，它才更可能修对。