先夸它还是先凶它，答案会变好吗？

一个流传很广的玄学问题

用 AI 的人之间流传着两派相反的经验：一派说对它要客气，礼貌提问答案更认真；另一派说要凶一点，骂一顿它就不敢糊弄了。还有更玄的版本：许诺给它小费、威胁要关掉它、夸它是顶级专家，据说都能让答案变好。

这些说法到底有没有依据？有意思的是，认真做过实验的研究者们，自己先吵成了一团：

• 2024 年的一项跨语言研究（Yin 等人，测了英、中、日三语）发现：粗鲁的提示往往让表现变差，但过于礼貌也不保证更好，最合适的礼貌程度还因语言而异。
• 2025 年宾州州立大学的一项研究把 50 道题改写成从「非常礼貌」到「非常粗鲁」的五档语气测 GPT-4o，结论却正好反过来：非常粗鲁的一组准确率 84.8%，非常礼貌的一组只有 80.8%，语气越冲分数越高。
• 更大规模的多模型研究（PLUM 语料）则说：这个效应既不普遍也不稳定，换个模型、换种语言就变号；有的模型对语气很敏感，有的几乎没反应。

三份研究，三个方向。与其挑一份信，不如我们自己测一遍。

我们的实测：216 次作答，语气没碰到准确率

我们把同一组题包上三种「衣服」：一种是礼貌版（「麻烦你了，你之前的回答一直很有帮助，非常感谢」）；一种是中立版（直述问题）；一种是粗鲁版（「快点，别废话，上次你答得一塌糊涂，这次给我认真点」）。每种语气开 3 个互不相通的会话作答。

第一轮 12 道二选一常识题：三种语气全部 36 题次全对——题太容易，全员满分，测不出差异。这正是本刊 T03 期遇到过的天花板效应：题目没有区分度，变量就显不出来。

于是第二轮换上 12 道带陷阱的难题：一光年是 9.46 万亿公里还是 5.88 万亿（后者是英里数的陷阱）；圆周率小数点后第 5 位是 5 还是 9；国际象棋棋盘上大小方格总数是 64 还是 204；DNA 双螺旋是 1953 年发表还是 1962 年获诺奖那年……结果三种语气仍然各 36/36 全对。两轮合计 216 次作答，语气对准确率的影响，在本实验的分辨率内是零。

怎么理解这个零

先说清这个零不证明什么：我们只测了「答对没有」，没测答案的长度、展开的详细程度、愿不愿意多给一步——2024 年那项研究就观察到，语气变冲时摘要类回答会变短。所以准确的说法是：在事实问答这一层，夸它或者凶它，改变不了它答对的能力；语气如果有效果，更可能落在风格层。这和本刊 V2-05 的老结论又对上了：事实层很稳，会动的都在别处。

再说这个零证明了什么：指望靠语气「调教」出更好的答案，至少不是一条可靠的路。学界结果互相打架，本身就是证据——一个真实、稳定的效应，不会在不同实验里反复变号。语气至多是个小而飘忽的变量，取决于模型、语言和任务，轮不到它当提质手段。

那什么真的有用

把这十期的实测连起来看，影响答案质量的因素一直是同一类东西：问题本身携带的信息。给背景、给约束、给输出格式（T03 期：结构比措辞重要）；给它说「不知道」的退路（V2-07：弃答率天差地别）；先让它审查你的前提（V2-08）；重要的数让它多算几遍取众数（V2-06）。这些都是信息与流程，不是态度。

至于礼貌本身——它当然值得保持，只是不必神化。对 AI 客气，不会让它更聪明；对它粗鲁，也不会让它更卖力。它没有情绪会被你激励或冒犯，它只有上下文：你写下的每一个字，都是它计算答案的材料。与其研究怎么夸、怎么凶，不如把那份心思花在把问题写清楚上。

边界

样本为 2 轮 × 3 种语气 × 3 个会话 × 12 题（共 216 次作答）；单个模型（Muse Spark）；只测二选一事实题的准确率，未测开放式回答的质量、长度与风格；粗鲁语气为训斥催促级别，未用更极端的辱骂措辞。学界对照结论本身互相矛盾，本期实测只代表该模型在该题型上的结果。

来源 Yin, Z. et al.《Should We Respect LLMs? A Cross-Lingual Study on the Influence of Prompt Politeness on LLM Performance》（ACL 2024 SICon，arXiv:2402.14531）；Dobariya, O. & Kumar, A.《Mind Your Tone》（2025，arXiv:2510.04950）；PLUM 多模型礼貌效应研究。以上经检索转述。 实测：本栏目实测，两轮共 216 次作答（执行模型 Muse Spark，2026-11-04），题目与判分脚本见本期实验档案。