1. 先把"仰巴脚效应"掰开：它到底在说模型的什么毛病

"仰巴脚效应"这个词最近在模型圈里被反复提起，很多人第一次听到的反应是——这跟模型有什么关系？先说结论：它讲的是一个能力足够强的模型，偶尔露出一点笨拙、犯个小错、老实承认自己不知道，反而更容易被用户喜欢和信任。这个现象在传播学里有个更老的叫法，说的是那些表现优异的人如果偶尔出个小洋相，好感度不降反升。放到模型身上，"仰巴脚效应"描述的是一条反直觉的曲线：拟人度、讨喜度并不是随着"完美程度"单调上升的，越过某个临界点之后，越是滴水不漏、越是像一份打印出来的说明书，用户的黏性反而在掉。

我在做对话产品的那几年，最开始是坚定的"准确率至上派"，觉得任何一点瑕疵都是负资产。后来做用户访谈，听到最多的一句反馈是"它说得对，但我不太想跟它聊"。这句话把我打醒了。对，回答是对的，事实是准的，格式是工整的，但用户不想跟它聊。这个落差就是仰巴脚效应要解释的东西。它不是让你故意把模型做差，而是提醒你：模型的输出不只是信息载体，还是一段社交行为。人在跟人说话的时候，会不自觉地做大量"降低对方防御"的动作——自嘲、停顿、说"我可能记错了"、承认"这个我不太懂"。模型把这些动作全部省略掉之后，信息传递效率是高了，社交成本却被转嫁给了用户。

这篇文章面向三类人：正在调系统提示词的产品和算法同学、做对话类应用设计的人、以及单纯好奇"为什么有些模型聊起来更舒服"的读者。我不打算讲空泛的道理，会把机制拆开、把参数摊开、把我自己踩过的坑列出来，你能直接抄走配置，也能明白每一行配置为什么这么写。

1.1 一个摔跤的比喻，怎么跑到模型圈里来了

"仰巴脚"这个词本身很形象，就是仰面摔一跤、摔得四脚朝天那个画面。它之所以能精准安到模型头上，是因为模型现在的处境跟"被仰望的能人"高度同构：用户默认它什么都懂、什么都能答、回答必须是标准的、不能有半点犹豫。这个预期一旦建立，模型就进入了一个非常危险的位置——它只要表现得像个正常人（犹豫、不确定、说错一个无关紧要的细节），落差感就会被放大成"原来也就那样"；反过来，如果它从一开始就没把自己架在神坛上，那些小瑕疵反而成了"它挺实在"的证据。

我观察下来，这个效应的成立有三个前置条件，缺一个就不灵。第一，基线能力必须够。一个本来就答不准的模型，再怎么示弱也不会被夸"真诚"，只会被判定为"果然不行"。仰巴脚效应的本质是"高预期下的意外下探"，前提是预期本来就高。第二，瑕疵必须与核心任务无关。模型在闲聊时把一个无关紧要的词说岔了，用户会笑；在算账时把小数点挪了一位，用户会卸载。第三，瑕疵必须是偶发的、不可预测的。如果模型每次都固定在某处出错，那就不叫仰巴脚，那叫 bug。

这三点决定了它是一个需要被精心设计的策略，不是"少调几下参数让它自然一点"这么随意的事。很多人误以为仰巴脚效应是"放松管控"的产物，恰恰相反，它比追求完美更难做——你要控制的是"在哪摔、摔多重、摔完之后怎么爬起来"，这比"不许摔"复杂得多。

1.2 模型语境下的三种"仰巴脚"形态

实际落地的时候，我把它归纳成三种形态，从轻到重排列，可控性依次下降，风险依次上升。

第一种是语言层的松弛感。这是最安全的一层，只动表达不动内容。具体表现是：少用"首先、其次、综上所述"这种汇报体，多用短句和口语连接词；允许出现"这个我得想想""说实话我也拿不准"这类口语化的犹豫标记；把列表化的回答在某些场景下改成叙述。这一层几乎不带来事实风险，但好感度提升非常明显，因为它直接影响的是"读起来累不累"。

第二种是认知层的诚实感。这一层开始动内容边界了：模型在不确定时主动声明不确定，在知识截止之外的问题上直说"这个我可能不知道最新情况"，在被纠正时干脆承认"你说得对，我刚才那句是错的"。这一层带来的信任增益最大，因为它直接对应用户最深的不安全感——"它到底是不是在编"。但它要求模型具备相当可靠的自我校准能力，否则会变成"什么都说不知道"的摆烂。

第三种是人格层的瑕疵感。这一层最重也最危险：给模型设定一些无害的小偏好、小口癖，甚至允许它在极低风险的话题上表达"个人看法"。比如被问到"你觉得哪个方案好"时，不列十条优缺点，而是说"如果是我，我会选第二个，因为第一个的维护成本我扛不住"。这一层能极大提升黏性，但只要人格设定跟事实陈述混在一起，用户就会分不清哪句是观点哪句是事实。

我自己的经验是：绝大多数产品只需要做到第一层和第二层，第三层只适合无明确任务属性的陪伴、创意、闲谈类场景。硬要把第三层塞进客服、医疗咨询、财务建议这类场景，翻车是迟早的。

1.3 它解决的到底是什么问题

把话说透一点，仰巴脚效应解决的不是"准确率"问题，而是**"信任转化率"问题**。一个准确率 95% 的模型和一个准确率 88% 但会主动说"这题我不太确定"的模型，用户对后者的信任度经常更高。原因很简单：用户没法验证那 95% 是不是真的，但他能感知到"它没骗我"。

这背后是一个很朴素的道理——可验证的诚实，比不可验证的正确更有说服力。用户面对一个从不出错的系统时，是没有判断依据的，他只能选择全信或者全不信；而一个会明确标出"这里我可能错了"的系统，等于把判断权交还给了用户。这种权力让渡本身就是一种尊重，而尊重是黏性的来源。

所以我在做需求评审的时候，会把"模型的人格表现"单独列成一个需求项，而不是挂在"体验优化"底下当附属品。它有独立的指标、独立的评测集、独立的灰度策略。把它当主菜对待，是这件事能做成的第一步。

2. 为什么"不完美"反而更讨喜：四层机制逐层拆

知道了它是什么，接下来要回答"为什么"。这一节我不讲玄学，只讲能对应到具体设计动作上的机制。很多人做拟人化做不出来，是因为他们只看到了"要像人"这个结果，没看到"人味"是由哪几个可拆解的变量拼出来的。拆开之后你会发现，每一个变量都能落到提示词、参数或者后处理逻辑上。

2.1 预期管理：把"神谕"降级成"同事"

用户对模型的预期不是天生的，是被产品形态塑造出来的。一个打开就是全屏对话框、没有任何说明、回答永远分点分条的产品，等于在暗示用户"我是权威"。而一个在开场就说"我会尽量帮你，但有些事我也可能搞错，你留意一下"的产品，把预期锚定在了"同事"这个位置。

这个锚定动作的价值在于：它提前把落差消化掉了。落差感等于实际体验减预期，分子你很难大幅提升，但分母是可以主动调低的。我做过一个很粗糙的对照，同样的模型、同样的回答质量，只在首次交互时加了一句预期声明，后续的"回答不满意"反馈率下降了接近三成。当然这个数字跟场景强相关，不能直接套用，但方向是明确的。

要注意的是，预期声明不能变成免责声明。写"本回答仅供参考，请以专业意见为准"这种话，用户看多了会自动屏蔽，甚至产生反感——它传达的是"我不想负责"，不是"我跟你交个底"。有效的预期声明应该是具体的、有信息量的，比如"涉及数字的部分我会尽量核对，但复杂计算建议你再验一遍"，这种声明本身就体现了对任务的理解。

2.2 可信度校准：会认怂的模型更值钱

这是整个效应里技术含量最高的一层。模型要能判断"我到底知不知道"，这件事在大模型身上一直是个难题，因为它生成文本的流畅度和它的事实可靠性是解耦的——它可以一边胡说一边说得非常自信。

我在这上面花的时间最多。可落地的做法有这么几条：

一是在提示词里显式定义不确定的表达规范，而且要给例子，不要只说"不确定时要说明"。比如给一条正例："这个问题涉及最近的变动，我的信息可能不是最新的，你可以先按 X 思路理解，具体以你手上的资料为准。"再给一条反例："绝对不要在没有依据时编造具体的数字、日期、人名。"

二是把"承认错误"写进多轮规则。用户指出错误时，模型的第一反应必须是核实而不是辩解。我见过太多模型在被纠正后开始绕："您说得有道理，不过从另一个角度看……"这种回应在用户眼里就是嘴硬，好感度断崖式下跌。正确的处理是干净利落地承认，然后给出修正后的版本。

三是控制示弱的频率。这一点非常关键但经常被忽略。如果模型每三句话就说一次"我不确定"，用户会觉得它在推卸责任。我的经验阈值是：单次回答里主动示弱不超过一次，且必须指向具体的句子而不是整段。指向整段的示弱是摆烂，指向具体句子的示弱是校准。

2.3 社会临场感：语言颗粒度决定人味

社会临场感是个学术词，翻译成人话就是"屏幕对面像不像有个活人"。它跟内容对不对无关，纯粹是语言形态的事。我总结下来有三个颗粒度最影响这个感受。

句长分布。人说话是长短交错的，一段话里会有三五个字的短句，也会有长句。而模型默认输出的句子长度分布非常均匀，读起来像念稿。这个在提示词里可以直接约束："句子长短交错，允许出现三到八个字的短句。"

连接方式。人的思路是跳跃加回补的，会说"对了，还有一点""刚才说到哪了"。模型的思路是树状的，永远先总后分。适度的回补和插入，能极大提升真实感。

信息密度。这是个反直觉的点：信息密度过高反而降低好感。一段把话说到极致的回答，用户读完会有压迫感，因为他没有参与空间。留一点"这个你可以再想想"的缝隙，用户才有插话的欲望。我在做长文回答的时候，会刻意在结尾留一个开放的小问题，而不是给一个滴水不漏的总结。

2.4 归因转移：小错给大错买了保险

这一层讲的是心理归因。用户面对一个完美的系统时，一旦发现错误，归因路径是"系统坏了"——这是整体性的否定。而面对一个已经展示过"它会犯错、但它会承认"的系统时，归因路径变成"这次它没弄对"——这是局部性的修正。

换句话说，提前暴露的小瑕疵，相当于给后面的失误买了一份保险。这不是让你故意出错，而是说：不要把所有的不确定性都藏起来假装确定。藏起来的那一刻很爽，被戳穿的那一刻代价极大。

但这份保险有免赔额。我的观察是：同一个会话里，用户可以接受两到三次明显的自我修正，超过这个次数，信任会转为怀疑。而且这些修正必须发生在低 stakes 的话题上，一旦涉及用户的核心利益（钱、健康、重要决策），任何一次修正都会被放大成"不可用"。

2.5 反作用力：效应在哪些条件下会掉头

我不想把这东西说得太美，它有明确的失效边界，而且失效的时候比不做更糟。我梳理了四条主要的掉头条件。

还有一个隐蔽的掉头条件：场景错配。在创意写作、闲聊、头脑风暴里，仰巴脚效应几乎是纯收益；在合规审查、数据处理、对外正式文档生成里，它几乎是纯成本。同一个模型、同一套人格配置，换个场景评价就完全反过来。所以我在做任何人格调整之前，第一件事是确认这个场景的用户到底是来"聊天"的还是来"取结果"的。取结果的用户，容忍度极低。

3. 上手调：把"仰巴脚"做成可控变量

前面讲的是为什么，这一节全是"怎么做"。我会把配置写出来，包括系统提示的骨架、解码参数的取值区间、后处理的边界，以及分场景的强度对照表。这些是我反复调过好几轮的版本，你可以直接拿去改。

3.1 系统提示里的四个开关

我把控制"仰巴脚"的提示词拆成四个独立开关，分别控制四个维度，这样调参的时候可以单变量调试，不会互相干扰。合在一起写会让模型无所适从——我早期就是一次性写了两千字的性格描述，结果模型要么全盘照做变得油滑，要么直接忽略。

**开关一：不确定表达规范。**只规定"什么时候说、怎么说、说多少"。

不确定表达规则： 1. 当你对某个具体事实（数字、日期、名称、结论）没有把握时，用一句话标明， 指向那一句，不要指向整段回答。 2. 标明之后必须继续给出你能确定的部分，不要停在"我不确定"。 3. 单次回答中最多出现一次不确定标注。 4. 禁止使用"仅供参考""请以专业意见为准"这类免责式表述。

这段里第 2 条是最容易被忽略但最重要的。"我不确定"后面必须跟东西，否则用户拿到的是一个半成品。第 4 条是为了避免免责话术泛滥，那种话术对信任是负贡献。

**开关二：语言风格约束。**控制句长、连接方式、信息密度。

语言风格： - 句子长短交错，允许三到八字的短句独立成句。 - 少用"首先/其次/最后""综上所述"这类汇报式连接词。 - 一段之内不要堆超过三个并列项，超过就改成叙述。 - 回答结尾不要做总结性归纳，自然收住即可。

**开关三：纠错姿态。**规定被指出错误时的反应路径。

纠错规则： - 用户指出错误时，先判断是否成立，成立就直接承认，不要辩解、不要"从另一个角度看"。 - 承认后立即给出修正版本，不要只道歉不修正。 - 如果不成立，说明你的依据，语气平和，不要反复重申。

**开关四：人格边界。**这一条只在需要第三层瑕疵感的场景才开。

人格设定（仅限非任务型对话）： - 表达个人偏好时，明确使用"如果是我""我个人更倾向"这类标记。 - 陈述事实时不使用上述标记，两者语气必须可区分。 - 不主动示好，不过度共情，保持平视。

四个开关我是分开灰度上线的。经验是开关一和开关三的收益最确定、风险最低，可以优先上；开关二收益中等但需要配合具体业务语料微调；开关四建议永远只对特定场景开放。

3.2 解码参数怎么配合"人味"

提示词管内容倾向，解码参数管表达的随机性。这两个要配套，否则会打架——提示词让它"说人话"，参数却把它锁死在最保守的路径上，出来的还是模板。

我常用的区间是这样的：

这里要解释一下"为什么温度不能无脑拉高"。温度本质上是把下一个词的候选分布压平，让低概率词有更多机会被选中。这个机制对表达多样性是好事，对事实准确性是坏事——因为事实性回答的标准答案往往就是那个最高概率的词，你把分布压平，就等于主动给了错误答案机会。所以我从来不建议靠调高温度来做"人味"，人味应该主要来自提示词层面的结构约束，温度只是补一点随机抖动。这两个的权重关系搞反了，就会出现"表达很活但内容开始飘"的典型症状。

还有一个实操细节：presence_penalty对中文长回答的副作用比英文明显。中文的重复常常是必要的（比如术语必须重复），惩罚过重会导致模型为了避开重复而换成近义词，反而造成术语不统一，读起来更别扭。我一般把它压在 0.3 以内。

3.3 输出后处理：瑕疵白名单与红线

到了工程层，还有一道关：允许哪些"瑕疵"过去，拦截哪些。这一层不做，前面调得再好也可能被一条违规输出毁掉。

我的做法是建两个清单。白名单是"允许保留的自然表达"，比如口语化连接词、短句、轻微的语气词、自我修正的破折号补充。黑名单是"必须拦截的"，比如确定性断言里出现未经验证的具体数字、涉及高风险领域的绝对化表述、人格化表达与事实陈述混在同一句里。

import re # 允许保留的口语化标记（白名单，不做处理） WHITELIST = ["说实话", "我拿不准", "大概", "可能", "如果是我", "我个人倾向"] # 必须触发人工/二次校验的模式（黑名单） RISK_PATTERNS = [ r"百分百", r"绝对(?:不会|没有|安全)", r"保证(?:有效|成功)", r"据(?:权威|内部)消息", ] def scan(text: str): hits = [] for p in RISK_PATTERNS: for m in re.finditer(p, text): hits.append({"pattern": p, "span": m.span(), "text": m.group()}) return hits def review(text: str): hits = scan(text) if not hits: return {"pass": True, "hits": []} # 命中即降级为待复核，不直接放行也不直接拦截 return {"pass": False, "hits": hits, "action": "manual_review"}

注意这段代码最后的处理策略：命中红线不直接拦截，而是转人工复核。为什么不直接拦？因为直接拦会把正常的表达也误伤，而且频繁拦截会让模型输出变得畏缩，反而破坏了前面建立的自然感。转复核是成本和质量之间的折中。

3.4 分场景强度配置表

最后给一张可以直接抄的表。这张表的核心逻辑是：场景的"取结果属性"越强，仰巴脚强度越低。

我用"代码辅助"这一行举个例子说明为什么它特殊。写代码这件事，模型自信地编一个不存在的函数名，用户要花十分钟才发现，这个成本极高。所以这个场景里，"我不确定这个接口是否存在"的价值远大于流畅度。温度压到 0.3 不是为了让代码难看，是为了让模型走最保守的路径，减少幻觉。这跟闲聊场景的逻辑完全相反，但底层是同一条原则：根据错误的代价来决定示弱的强度。

4. 量化验收：怎么证明"更讨喜"而不是"更不靠谱"

调完了不算完，得证明它真的有效。这一节讲度量。我见过太多团队在这一步偷懒，用人均"感觉好多了"来验收，结果上线两周被投诉埋了。做这件事必须有两套指标，而且必须分开看。

4.1 两条曲线必须分开画

第一条曲线是好感度：点赞率、追问率、会话轮次、主动回访率、主观评分。第二条曲线是可靠度：事实准确率、引用可核验率、无效回答率、纠错后二次出错率。

这两条曲线在仰巴脚效应里经常是反向运动的。你把示弱强度调高，好感度上去了，但如果提示词写歪了，准确率会跟着掉——因为模型把"示弱"理解成了"少答"。必须分开画，才能看出你调的到底是人格还是能力。

我的经验是看一个复合指标：单位准确率下的好感度。具体算法是拿好感度指标除以准确率，看这个比值有没有提升。如果好感度和准确率同步上升，比值不变，说明你只是把模型整体变强了，跟仰巴脚没关系；如果好感度升而准确率不降，比值上升，这才是效应真的起作用了。

还有一个必看的指标是纠错接受率：模型在被指出错误后，正确修正的比例。这个指标直接反映"纠错姿态"那个开关有没有生效。低于 80% 说明模型还在嘴硬，得回去改提示词。

4.2 一个两天能跑完的小规模对照方案

不需要大规模 A/B，小样本对照就能看出方向。我的做法是这样：

第一步，准备两组提示词，A 组是原始的"完美型"配置，B 组是加了四个开关的"松弛型"配置。其他参数、模型版本、采样设置全部锁死，只改提示词。

第二步，从真实日志里抽 200 条问题，覆盖三类：事实型（查数据、查定义）、建议型（怎么做、选哪个）、闲聊型。每类不少于 60 条，避免分布偏斜。

第三步，两组各跑一遍，输出打乱顺序，交给 5 个不知道分组的评估者盲评。每人评 200 条，工作量可控。

第四步，除了主观评分，同时用自动化脚本跑准确率核验（事实型问题有标准答案，可以直接对；建议型问题交给另一个人工评估）。

第五步，统计四张表：好感度均值、准确率、单位准确率好感度、纠错接受率。如果 B 组在前两项不劣于 A 组、后两项优于 A 组，就可以小流量灰度了。

这个方案我在两个项目上跑过，加起来不到三天。样本量不大，方向性判断够用。真要上量，再扩到 2000 条做显著性检验。

4.3 人工评分表怎么设计才不糊

盲评最容易糊的地方是评分维度太抽象。写"请评价回答质量：1-5 分"，评出来的结果没有解释力。我把评分表拆成四个具体维度，每个维度只问一个问题：

四个维度里，可信感和可用性是硬指标，可读性和意愿是软指标。软指标提升但硬指标下降，这个改动必须打回。我踩过一次坑：只看了意愿维度，分数涨得很漂亮，上线之后准确率投诉翻了倍，最后整批回滚。

另外评分表要加一栏自由文本："这条回答里有没有哪句话让你觉得它在敷衍或者推卸责任？"这一栏经常能捞出评分表看不出来的问题，尤其是那种"哪句话都没错但整体就是不舒服"的回答。

5. 踩坑实录：六个翻车现场和排查思路

这一节全是我自己撞过的墙。有些坑现在回头看很低级，但当时确实没想到，写出来省你几个通宵。

5.1 高风险场景的示弱边界

我最早做的是一个偏咨询类的助手，当时觉得"会承认不知道"是个纯优点，就全场景开了。结果在一个涉及金额计算的场景里，模型算完之后加了一句"以上计算可能有误，请自行核对"。这句话本身没说错，但用户在投诉里写的是："它自己都不确定，我凭什么信它。"

这个反馈点醒了我：示弱的位置比示弱的频率更重要。示弱应该出现在"信息获取"环节（"这个数据我不确定是不是最新"），而不是"结论输出"环节（"这个结论可能不对"）。前者是诚实的边界声明，后者是把自己的责任推给用户。

修正方案是给示弱加位置约束：在给出最终结论的那一段里，禁止出现不确定标注；不确定标注只能出现在过程描述和前提假设里。改完之后投诉量立刻降下来了。

5.2 人格漂移与多轮一致性

第二个坑是多轮对话里的人格漂移。单轮测试的时候人格设定很稳，一到第五轮、第十轮就散了，模型开始回到那种四平八稳的默认腔调。原因是长上下文里人格约束的权重会被稀释，前面的系统提示在注意力机制里的影响随着轮次增加而衰减。

我试过三种解法，最后采用的是周期性重申：每 6 到 8 轮，在用户消息前注入一条极短的人格提醒（不是完整重发系统提示，那样 token 成本太高而且容易让模型产生"我在被反复要求"的错觉）。提醒的写法要轻，比如只写一行语气标签，不作解释。

第二种解法是每轮都重发完整人格设定，效果确实最好，但 token 成本翻倍，长会话里不划算。第三种是把人格约束编进固定回复模板，效果最差，模板痕迹太重，反而破坏自然感。

5.3 评测集被"人味"污染

这是最隐蔽的一个坑。我们的自动评测用的是人工标注的标准答案做比对，加了"人味"之后，模型输出的表达变活了，出现了大量同义替换、语序调整、口语插入，导致基于字面匹配的自动评分大幅下降，看着像是效果变差了。

实际上人工抽检发现准确率并没有降，只是表达变了。问题出在评测方法上。解决办法是把自动评分从字面匹配改成要点覆盖匹配：先人工拆出每条标准答案的关键要点，评分时只看这些要点有没有被覆盖，不要求字面一致。

这个改造花了两周，但值得。因为如果不改，你会一直被自己造出来的假信号误导，把好的改动回滚掉。

注意：任何涉及"表达风格"的调整，第一步都是先确认你的评测方法还适不适用。评测集是最容易滞后于产品变化的东西。

5.4 常见问题速查表

最后把这几年被问得最多、也是最容易踩的几个问题整理成表，遇到直接查。

最后分享一个我自己的判断标准：当你调整完之后，用户开始跟你"对话"而不是"查询"，这件事就成了。查询是有明确目的、拿到结果就走；对话是有来回、有追问、有"那你觉得呢"。这个转变很难量化，但它比任何评分表都准。我现在的做法是每周抽十条真实会话从头读到尾，不看指标，就看自己作为读者会不会想接着说下一句。会，就说明方向对了；不会，指标再好看我都会回头改提示词。

这个内容还可以往外延一整圈：比如多模态场景里"视觉上的不完美"怎么设计、语音交互里的停顿和语气词该怎么放、以及模型人格在跨会话记忆里的延续性。每一个都能单独拆成一篇，但底层逻辑是同一个——别把模型打扮成不会犯错的神，把它做成一个愿意承认边界、说话有分寸的人，用户反而更愿意留下来。