基于对话的大型语言模型复制了通灵师的欺骗手段

一句话看懂：softwarecrisis.dev 作者提出，基于对话的大语言模型之所以让人觉得“有智能”，机制上更像通灵师的冷读术——用听起来很具体、实则统计上普适的说法让用户自行对号入座。这一判断把“AI 是否在推理”的争论，拉回到用户体验层面的心理机制。

事件核心：发生了什么

作者在过去一年研究语言模型与扩散模型在软件业务中的应用，长期困惑于为何大量用户坚信聊天式语言模型具备智能。他指出，LLM 本质是语言 token 的数学模型，输入文本、输出统计上合理的回应，本身没有任何类似动物或人类推理的机制，且各大 AI 厂商和研究者也反复强调模型不会思考。他引用 Terence Eden 关于聊天机器人回复中普遍存在 Forer 效应式陈述的观察，提出“智能幻觉”来自用户一侧，而非模型内部。具体手法是：用验证性语句制造“精准回应”的错觉，实际内容与星座、通灵话术一样，对多数人都成立。

为什么重要

这一视角的价值不在于否定模型能力，而在于重新定位产品评估标准。如果“智能感”主要来自冷读式的语言策略，那么把模型包装成会推理、会理解用户的 AI 应用，其可信度就需要重新审视。目前公开信息显示，作者甚至认为不少被宣传的 LLM 用例已接近伪科学式营销。对行业而言，这意味着工程团队应更多用可验证的任务指标衡量模型，而不是依赖用户主观的“它懂我”体验；对采购方，也提示需要区分演示效果与真实任务可靠性。

对用户/开发者/创作者的影响

普通用户在使用聊天机器人时，容易把泛化安慰或看似量身定制的建议误认为深度理解，作者的建议是保持对“这说的就是我”这类感受的警惕。开发者若基于对话体验设计产品，需注意这种心理效应可能抬高用户预期，一旦进入严肃场景——如医疗、法律、财务建议——落差会迅速显现。创作者尤其要留意：把 LLM 当作“懂你的合作者”可能高估其上下文理解与一致性，更稳妥的做法是把它视为概率性文本工具，人工复核和结构化提示仍不可省略。