許多AI用戶已對生成結果保持適度的懷疑，但一些專家指出，過度的懷疑正演變成一種趨勢：用戶不斷反復調整輸出，幾乎陷入無休止的“打磨”中。

這種新出現的現象被稱為“doomscrolling(過度提示)”，與“doomscrolling(指盲目滾動智能手機或電腦屏幕瀏覽大量負面的新聞報道、社交媒體帖子或其他網絡分享內容)”類似——后者指人們在社交媒體或負面新聞上無法停下刷屏。但兩者影響不同：doomscrolling或許只是浪費晚餐到睡前的幾個小時，讓人更悲觀，而doomprompting則可能讓企業付出高昂代價，員工耗費大量時間與資源，只為“打磨”AI的輸出。

對話循環的設計陷阱

過度“折騰”IT系統或代碼并不新鮮，但AI帶來了新的挑戰。一些專家表示，部分LLM的設計似乎天然促使用戶陷入持久的對話循環，答案往往會引出下一個提示。

AI安全開發公司Jozu的CEO兼聯合創始人Brad Micklea指出，像ChatGPT這樣的AI在回答提示時，經常會建議下一步該怎么做。

“從好的方面看，這只是為了在有限信息下改進回復，但更糟的情況是，它可能是為了讓用戶上癮。”他說，“用戶可以無視這些建議，而且通常應該無視，但就像doomscrolling一樣，這比放棄要難得多。”

智能體測試服務商Recall的CTO兼聯合創始人Carson Farmer補充說，這個問題在IT團隊中更嚴重，因為很多工程師天生愛“折騰”。

“單個工程師給AI下指令時，很快就能得到不錯的結果，”他表示，“然后你會想：‘這已經挺好，但我肯定能做到完美。’結果就陷入經典的沉沒成本謬誤——工程師會想，‘我已經花這么多時間提示了，總能把這個坑挖出來。’”

如果項目一開始沒有清晰定義什么是“好結果”，問題就更明顯。

“不了解最終目標的員工會一直兜圈子，不知道該何時收手，”Farmer說，“完美是‘好’的敵人，而LLM讓我們覺得只要再微調最后一個提示，就能達成完美。”

“過度提示”的兩種形態

觀察者發現，doomprompting主要有兩種：

第一種是個人與LLM或其他AI工具的交互，這可能發生在非工作場景，也可能在工作時間內，比如員工反復調整AI生成的郵件、代碼或研究查詢結果。

Salesforce AI執行副總裁Jayesh Govindarajan指出，第二種類型正在伴隨AI智能體的采用而出現：IT團隊不斷微調智能體，以尋找輸出的細微改進。

隨著智能體日益復雜，IT團隊會有持續追求更佳結果的誘惑。他承認，在對AI輸出保持健康懷疑與認定“已經夠好”之間，往往只有一線之隔。

“在第一代生成式AI服務和系統中，我們講究的是寫出正確的提示，讓系統在各種情境下生成理想結果，”他說，“后來自主式AI浪潮興起，我們把原本用來寫郵件的技術升級，用于編排更復雜的行動。”

Govindarajan見過一些IT團隊在不斷增加指令的過程中陷入“doom loop”，想通過疊加指令優化輸出。“所謂doomprompting，就是不斷下達指令，希望它們能發揮作用，但隨著指令越來越多、甚至相互矛盾，最終犧牲了系統的整體智能。”

需要清晰目標與邊界

與Govindarajan類似，Recall的Farmer也看到，對AI輸出的合理懷疑與無休止修正之間存在張力。

他認為，解決之道是在項目前期設定明確預期和防護欄，讓IT團隊能識別“足夠好”的結果。

Jozu的Micklea補充說，一份強有力的AI項目需求文檔，應清晰說明目標受眾、項目目標、約束條件以及“成功”的定義。

“如果在沒有清晰計劃、也不理解任務完成標準的情況下使用AI，就更容易被ChatGPT的后續建議帶偏，”他說，“要記住，ChatGPT的建議并不了解你的最終目標，它只是多個邏輯上可行的下一步之一。”

Farmer的團隊也曾嘗試讓多個智能體同時解決同一問題，類似“適者生存”的實驗。

“與其陷入doomprompting，不如讓五個智能體一起處理，再合并結果挑出最佳方案，”他建議，“既然無論如何都會消耗算力代幣，不如用節省時間的方式。”

他還建議IT團隊把智能體當作初級員工對待：“給它們明確的目標和約束，讓它們自行完成任務，再回過頭評估結果。不要讓工程經理參與每一步，否則只會導致次優結果和doomprompting。”