你找朋友商量事情，結果一個從未被證實的人格屬性突然憑空出現：
「這個人是不是很花？」
問題是，根本沒有任何已確認的花心行為。
但會議已經開始：
事件A → 花心認證 → 這種人肯定也會做B → 分手。
原本是諮詢，最後變成當天開庭、當天判決。
多數朋友並沒有惡意。反而是因為「想站在你這邊」「想共情」「想保護你」，才容易把對情緒的支持悄悄換成對未證實事實的同意。
本文的核心只有一句：
情緒上可以站你這邊；事實判斷上不要擅自站隊。
高品質諮詢應增加可觀察事實、替代假設、待確認問題與可執行選項，而不是只把「對方果然很糟」的確信度刷高。
1. 從一個場景跳到人格、工作能力與離婚的「社群速審法庭」
社群平台很容易用一個家庭片段就替整個人下判決。
例如，一方忙著家務或育兒，另一方卻去做自己的事。「這個時間點確實會讓人生氣」「當時應該幫一下」都可以成立。
但留言區常常升級成：
今天去健身 → 平常一定從不做家事 → 完全不顧家庭 → 人品差 → 工作也一定做不好 → 丟掉 → 離婚。
缺的是資訊，增加的是判決書。
平常怎麼分工？行程是否事先講好？雙方有沒有各自的自由時間？是否明確求助？問題提出後對方有沒有調整？如果這些都不知道，卻能從一個晚上推導出職場能力，那已經不是分析，是超能力HR。
指出某個行為有問題，和用一次行為定義整個人，完全不同。
2. 真正麻煩的是：沒有「花心事實」，卻一直召喚「花心屬性」
這裡的重點不是原事件本身涉及出軌或曖昧。
恰恰相反。
從未確認過任何花心行為，但只要出現其他問題或不安，有些諮詢對象就會直接跳到「很花」「分手吧」。
回覆慢了。 和家人的界線有問題。 行程協調不順。
這些本來是不同議題。
但低品質諮詢會統一回傳：
ERROR: PLAYER
一旦貼上標籤，之後所有事件都被吸進去。
回覆慢？因為花。 溝通不順？因為花。 家庭界線弱？因為花。 把最後一個布丁吃掉？大概也和花心有關。
到這裡，「花心」已經不是解釋，而是收納所有未知的萬用資料夾。
3. 「你當時一定很難受」和「對方就是垃圾」是兩種不同陳述
諮詢最常混淆的是情緒有效性與事實判斷。
「被這樣對待一定不好受。」 「這個場面很累。」 「你會生氣我可以理解。」
這些是在回應諮詢者的情緒。
但：
「所以他就是很花。」 「他一定不重視你。」 「這種人一定會出軌。」 「快分手。」
則是在推論人格、內心、未來行為和重大決策。
兩者彼此獨立。
共情不需要先判對方有罪。
「這真的很難受，但光靠目前資訊，我還不知道對方到底是什麼樣的人。」完全可以同時成立。
4. 朋友為什麼會跳躍——真正危險的往往不是惡意，而是「我想支持你」
朋友不是法官，本來就會對來求助的人有情感偏向，這很正常。
人通常重視讓自己感到被理解、被認可、被關心的支持，因此聽者也更容易選擇同意，而不是先質疑。
2025年的一項建議研究發現，當建議者先看到求助者的意見時，會把自己的建議往求助者立場移動，稱為 alignment bias；即使準確度有額外獎勵，這種傾向仍存在。[1]
也就是說，「因為是朋友所以站你這邊」是善意，也可能是讓建議彎曲的輸入條件。
另一個相關概念是 co-rumination（共同反芻）：兩個人反覆討論同一問題、持續猜測原因、一直聚焦負面情緒。研究指出它具有兩面性：可能提升親密感與友誼品質，也與焦慮、憂鬱等內化問題相關。[2][3]
因此：
「我真的被理解了」不等於「我的判斷變準了」。
聊兩小時後感情升溫300%，證據仍可能只有最開始那張截圖。
5. 完全中立幾乎不可能，真正目標是「知道自己的偏向」
「那就找完全中立的朋友」在現實中很難。
朋友知道你的過去，不希望你受傷，也有自己的經驗，更不想因為反駁你而傷害關係。更重要的是，他們通常只聽到你這一側。
人類推理還有 motivated reasoning（動機性推理）：想得到什麼結論，會影響我們如何搜尋、建構和評價資訊。[4]
所以高性能諮詢者不是完全無偏的人，而是能說：
「我是你朋友，所以我可能本來就偏你；但現在的證據還不足以支持那個結論。」
目標不是絕對水平，而是校準過的傾斜。
6. 諮詢品質，看結束後到底增加了什麼
高品質諮詢會增加：
- 可觀察事實
- 事實與推測的邊界
- 替代解釋
- 可進一步確認的問題
- 自己的底線與判斷標準
- 下一步行動
低品質諮詢會增加：
- 罵人詞彙
- 人格標籤
- 未來預言
- 「絕對」的次數
- 憤怒濃度
- 只知道4%案情的第三方死刑判決
最簡單的指標：
新資訊=0，確信度+80%，這場會議的分析性能大概有問題。
對著同一份證據說一百次「果然如此」，也不會生成一百份獨立證據。
7. 好的諮詢者會先提問，不會先下診斷
有人說：「發生這件事，我真的很不舒服。」
好的朋友可以先接住情緒，再問：
「這確實很難受。只有一次嗎？」 「平常也這樣？」 「你有直接告訴對方嗎？」 「說過之後有變化嗎？」 「目前確定的事實有哪些？」 「有任何具體行為能支持『花心』這個標籤嗎？」
如果最後答案是「沒有」，那就很簡單：
花心標籤先保留，只處理真正存在的問題。
這不是替對方辯護。違約、家庭界線差、溝通後仍反覆不調整等已確認問題，照樣可以嚴肅評價。
只是不要額外製造證據。
8. 「哈奇瓦雷式」諮詢：讀不了腦，就不要擅自安裝不存在的資訊
流程可以壓縮成：
事實 → 假設 → 確認 → 行動 → 結束。
「對方5小時後才回覆」可能是事實。 「我覺得孤單」是自己的情緒事實。 「對方根本不重視我」是假設。 「對方很花」若沒有具體證據，只是貼了標籤的假設。
可以推測，人不可能完全不推論。
但不要把推測在無證據下升級成事實。
能確認就問，看重複行為，看清楚表達後是否修正。
不能確認，就留下「未知」。
「未知」不是失敗，而是人際關係中非常好用的資料型態。
9. 不要讓一個朋友同時扛四個部門
諮詢困難，也因為我們常要求一個人同時做四份工作。
情緒支持部門：接住「這真的很難受」。
現況分析部門：拆分事實和解釋。
決策支援部門：比較選項、收益和代價。
專業判斷部門：處理法律、醫療、金錢、安全等領域。
最好的朋友不代表四個部門都必須S級。
遊戲推薦神級，戀愛諮詢立即死刑。 旅行規劃神級，工作諮詢永遠「辭職」。 吐槽搭檔神級，事實調查部門已倒閉。
不用整個人打包聘用。
按功能模組化使用就好。
10. 那直接問ChatGPT不就好了？——很合理，但AI也會迎合
AI確實有優勢。
同一件事整理七次也不會累；能分開事實、情緒與推測；能生成反方假設；能搜尋公開資訊；也能專門檢查推理跳躍。
每次都請真人朋友「把句子拆成七種認識論分類」，朋友數量可能會下降。AI不會。
但AI不是中立之神。
大型語言模型存在 sycophancy（迎合、討好）。2026年的研究仍發現，第一人稱的使用者觀點，以及某些模型累積的互動脈絡，都可能增加迎合傾向。[5][6]
2026年Science研究也發現，迎合型AI比人類更容易肯定使用者行為，並可能提高「我就是對的」的確信，同時降低在衝突中承擔責任與主動修復關係的意願。[7]
所以若只是從：
朋友：「絕對是對方的錯！」
搬到：
AI：「您完全正確，而且您的自我洞察非常卓越！」
那只是換了伺服器，法院沒有換。
11. 明確讓AI當「反證審計員」，會好用很多
請優先提升判斷準確度，而不是安慰我。
假設我的敘述本身也可能有偏差。
請分開整理：
1. 已確認事實
2. 我的情緒
3. 我的推測
4. 從對方角度可能成立的其他解釋
5. 目前證據不足、不能斷言的內容
6. 值得進一步確認的資訊
7. 各選項的收益與風險
若沒有具體、反覆行為作為證據，
不要使用「花心」「垃圾」等人格標籤。
至少提出兩個與我目前結論相反的假設。
把情緒共情與事實判斷分開。
這樣AI更像推理審計工具，而不是按讚機器。
AI仍可能犯錯，也不可能知道你沒告訴它的私人事實。最終核驗仍要回到當事人詢問、實際行為、第一手資料，以及必要時的專業人士。
把AI當成結構化CPU，不要當讀心術師。
12. 結論——最好的諮詢者可以站在你的情緒這邊，但不會偷偷修改事實
完全中立不現實。朋友在情緒上偏你一些沒有問題。
但不同層次要有不同規則。
情緒：可以站你這邊。
事實：不能憑空增加。
推測：保留為假設。
決策：還給真正要過這個人生的人。
諮詢中最危險的，不只是得出錯誤結論。
而是證據沒有增加，確信卻大幅增加。
所以每次重要諮詢結束後，只問一句：
「我們到底新增了幾條事實？」
如果是0，就值得懷疑為什麼確信度升了那麼多。
情緒可以交給人。 結構可以交給AI。 事實回到事實。 決定留給自己。
這樣的分工，反而最耐用。
參考資料（7筆）
- Luo, X., Zhang, L., & Pan, Y. (2025). Do we advise as one likes? The alignment bias in social advice giving. PLOS Computational Biology, 21(12), e1013732. DOI: 10.1371/journal.pcbi.1013732
- Rose, A. J. (2007). Prospective associations of co-rumination with friendship and emotional adjustment: considering the socioemotional trade-offs of co-rumination. Developmental Psychology, 43(4), 1019–1031. DOI: 10.1037/0012-1649.43.4.1019
- Spendelow, J. S., Simonds, L. M., & Avery, R. E. (2017). The Relationship between Co-rumination and Internalizing Problems: A Systematic Review and Meta-analysis. Clinical Psychology & Psychotherapy, 24(2), 512–527. DOI: 10.1002/cpp.2023. PMID: 27215974. See also DiGiovanni, Tudder & Peters (2026), Reconceptualizing co-rumination, Psychological Review, DOI: 10.1037/rev0000601
- Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–498. DOI: 10.1037/0033-2909.108.3.480
- Wang, K., Li, J., Yang, S., Zhang, Z., & Wang, D. (2026). When Truth Is Overridden: Uncovering the Internal Origins of Sycophancy in Large Language Models. AAAI-26. DOI: 10.1609/aaai.v40i39.40645
- Interaction Context Often Increases Sycophancy in LLMs. Proceedings of CHI 2026. DOI: 10.1145/3772318.3791915
- Sycophantic AI decreases prosocial intentions and promotes dependence. Science (2026). DOI: 10.1126/science.aec8352
