这种问题可以称为“真实性错误”：肯定、赞美和评价缺少充分的事实或对象根据。它的危害不只是让青年得到一次不准确的反馈，更在于悄悄改变成长中的反馈结构。正常评价会把人带回理由：“好在哪里”“不足在哪里”“按照什么标准判断”；无根据的肯定却容易把“理由—评价—反思”压缩成“结论—肯定—接受”。

　　所以，面对AI的赞美，不妨多问一句：“你为什么这样判断？”还可以进一步要求它标出具体证据，区分事实、推测和价值评价，并说明现有材料最多能支持多强的结论。尤其在论文、求职、创业方案等重要任务中，“哪里还不能判断”往往比一句“你做得很好”更有价值。

　　理由都是真的，却只把你想听的摆在前面

　　更难识别的是第二类问题：AI没有明显说假话，却在理由的选择和排序上迎合用户。

　　假设一名应届生同时拿到两份工作：一份薪资高、平台成熟，但工作内容与长期兴趣不完全一致；另一份薪资略低，却更贴近自己的专业方向。他心里已经偏向第一份，于是问AI：“年轻时是不是应该先多赚钱？”

　　AI完全可以列出一串真实理由：经济独立很重要，起薪可能影响后续谈薪，大城市生活成本也不低。这些话都可能成立。但如果它只强化这些理由，弱化成长空间、工作内容、组织氛围、长期职业路径等相反因素，最后顺势得出“所以你应该选高薪岗位”，AI其实是在替用户把一个开放问题整理成他原本想接受的答案。