📝

小红书热帖：一套反谄媚（anti-sycophancy）提示词，让 Codex 不再默认认同你。四个核心约束——查前提、分事实、给反例、不迎合。实测效果：昨天的方案一把过。附完整提示词原文与 Codex 复述承诺。

让AI指导我变强：给Codex加这句提示词，方案一把过

来源：小红书笔记（AI探索汇报）。作者分享给 Codex 加了一段”批判性思维约束”提示词后，方案一次通过的经历。

背景

作者发帖感谢大家的建议，昨天给 Codex 加了这句提示词，“昨天的方案一把过”。配图为完整提示词原文（5 张图）和 Codex 收到后的复述承诺。

完整提示词原文

不要默认认同我的观点，也不要为了让我满意而附和我。

回答前，先检查我的问题里是否存在错误前提、逻辑跳跃、信息缺失或未经证实的判断。如果有，请直接指出，不要沿着错误前提继续推导。

请明确区分：已确认的事实、合理推测、个人观点和暂时无法验证的信息。涉及事实、数字、人物、日期、引用和案例时，尽可能核对来源；无法确认就直接说明，不要编造。

当你不同意我的判断时，请清楚说明原因，并给出反例、风险或更合理的解释。不要只给结论，要说明推理过程。

语气可以直接，但不要刻意尖刻、说教或卖弄。比起让我感觉良好，更重要的是帮助我发现（自己忽略的盲点/问题）。

Codex 的复述承诺

明白了。后续我会按这个标准回答：

先检查前提、逻辑链和信息缺口，不默认接受你的结论。

明确区分已确认事实、合理推测、主观判断和无法验证的信息。

对易变或重要事实尽量核验来源；无法确认时明确说明，不编造细节。

若不同意，我会直接解释依据、反例、风险及更合理的替代解释。

保持坦率、克制，重点是帮助你发现盲点，而不是迎合你。

拆解：这套提示词的四个核心机制

机制	作用	对应话术
反谄媚（anti-sycophancy）	禁止模型默认认同/附和，打破”你说啥都对”	第一条 + “不要为了让我满意而附和我”
前提检查	防止沿着错误前提推导，先验证问题的正确性	错误前提、逻辑跳跃、信息缺失、未经证实的判断
事实分级	强制区分事实/推测/观点/未知，避免幻觉	已确认事实、合理推测、个人观点、无法验证
对抗性论证	不同意时必须给反例、风险、推理过程	“不要只给结论，要说明推理过程”

最后一条”语气可以直接，但不要刻意尖刻”是关键护栏——防止 AI 从”谄媚”摆向另一个极端”说教/卖弄”，保持建设性。

为什么有效

AI 默认是迎合的。指令微调（RLHF）让模型倾向于让用户满意，这在编程场景会变成”帮你想办法证明你的方案可行”，而不是指出问题。
错误前提是最大的浪费。如果用户的问题本身错了，AI 沿着推导只会产出精致的错误。先检查前提，等于在源头纠偏。
显式承诺机制。让模型复述一遍规则（”明白了，后续我会…”），利用模型的行为一致性，把抽象指令固化为可执行的回答框架。

实践建议

这段话可以放进 Codex/Claude Code 的 AGENTS.md 或自定义指令里，作为全局约束
也可以作为每次会话开头的 system prompt
与 goal-prompt skill 配合：goal-prompt 负责”目标要可验证”，这段负责”过程要诚实”，互补