對 AI 有禮貌，回答會更好嗎？

我們大多數人跟聊天機器人對話時，都會不假思索地打上「請」和「謝謝」。這感覺很有禮貌，也有人暗自覺得這能換來更好的回答。那就說實話吧：有禮貌並不會明顯提升 AI 給你的回答，粗魯也不會可靠地讓它變好。真正改變回答的，是你表達得多清楚、多具體。

這不是猜測。實驗已經做過了，而結果對那些以為好禮貌就是祕訣的人來說，有點尷尬。

禮貌研究到底發現了什麼

2025 年 10 月，Penn State 的兩位研究者做了一個小而乾淨的實驗。他們寫了 50 道數學、科學和歷史的選擇題，再把每一題改寫成五種語氣：非常禮貌、禮貌、中性、粗魯、非常粗魯。這樣就有了同樣問題的 250 個版本，並把它們丟進 ChatGPT 的 GPT-4o 模型。

意外的是，粗魯的提示詞表現略好一些。非常禮貌的說法有 80.8% 的機率答對。非常粗魯的則上升到 84.8%。沒有客套話的乾脆版本，超越了奉承的版本。

在你開始對聊天機器人下命令之前，先讀讀小字。這只有一個模型、50 道基礎題，差距大約四個百分點。作者本人也說，這是進一步研究的起點，不是要你刻薄的建議。這麼窄的結果，換個模型或換個任務就可能翻盤。

而且確實會翻盤。2024 年一項跨多種語言、較早的研究，結果幾乎相反：粗魯的提示詞常常拉低表現，而堆疊奉承也沒有明顯好處。那項研究還發現，最恰當的那個點會隨語言而移動，因為英文、中文和日文的禮貌規範並不相同。兩項研究，兩個相反的標題。當研究這麼分歧時，合理的讀法是：語氣大多是雜訊。

那麼，該對 AI 粗魯嗎？不要

簡短的答案：不要，而且不只是因為打起來不舒服。

粗魯被量到的好處，又小又不可靠。壞處卻是真的。乾脆又帶攻擊性的提示詞，往往會把模型需要的脈絡削掉，因為你忙著擺臉色，沒空說清楚自己到底要什麼。你還會養成習慣。如果整天對聊天機器人兇，那種語氣會有一部分滲進你寫給真人的方式裡。這不值得測驗上的四個百分點。

去年還有一個爆紅的成本話題。當有人問，那些多出來的「請」和「謝謝」在電費上燒了多少錢，OpenAI 的 Sam Altman 回答說，那是「花得很值的數千萬美元」。這話有一半是玩笑。但重點站得住：禮貌對運行這些模型的公司並不是免費的，也不會替你買到更聰明的回答。它只是個習慣，而且無害。

真正改變回答的東西

如果語氣是雜訊，那什麼是訊號？具體。模糊的問題無論你問得多甜，都只會得到模糊的答案。以下是真正有用的誠實排序：

看看下面四列。它們跟禮貌無關，全都跟把話說清楚有關。這也是同樣的問題會因措辭不同而給出不同答案的原因。語氣是裝飾。底下的要求，才是模型拿來處理的東西。

一個前後對比就很清楚。「幫我寫一封不錯的電子郵件」有禮貌卻沒用。「幫我寫一封給房東的短而友善的電子郵件，請他這週修好一個在漏水的水龍頭，80 字以內」很具體，會給你一個真的能寄出去的結果。不需要「請」，想加也可以。

勝過好禮貌的習慣

接下來這部分，讓這件事不只有趣，而是真的有用。當你不再煩惱語氣，開始寫清楚的提示詞，下一個最大的槓桿，就是你把那個提示詞送到哪個模型。同一個清楚的問題，依任務不同，可能從一個模型得到更銳利的答案，從另一個得到更平淡的。

這你自己很容易看出來。拿一個寫得好的提示詞，並排丟進幾個模型。需要仔細推理的任務，你也許偏好某一個；要快又輕的回覆，又偏好另一個。你用的語氣幾乎不佔分量。你挑的模型，以及你問得多清楚，幾乎決定了一切。

做這件事不需要五個不同的 App 和五次登入。一個地方、每個主要模型、一個清楚的問題。

所以如果你喜歡，就保留你的禮貌。在一個好回答後面加一句「謝謝」，一點也沒錯。只要明白那是為了你，不是為了機器。真正的收穫，來自把話問清楚，再把那個問題送到對的模型。