第 46 篇先檢查了一項投資主張有沒有足夠證據。可是證據存在，仍可能被我們自己的問法帶偏：如果我先說「我很看好，現在是不是該加碼」，AI 很容易把注意力放在尋找支持加碼的理由。
避免迎合的關鍵，不在於單純要求 AI「保持客觀」，也不在於要求它每次都提出反對意見。真正能做的，是把程序設計成：讓證據能改變結論、讓方案可以被否決，本人仍可依已確認的事實、限制與生活偏好決定是否採用。
這套程序的單一因果鏈是：先固定決策底線與選項 → 要求證據與結論失效條件 → 以對稱問法與不利情境進行同尺度比較 → 留下可追溯的決策紀錄。
第一步：先固定決策邊界，分清行動與狀態
「我這樣做對不對？」不是一個好問題。它沒有說明要解決什麼，也把 AI 推向替既定想法找理由。較好的起點是先寫清任務期限、合法選項與不可違反的條件。
必須明確區分「行動方案」與「證據狀態」，不要把資料不足當成一種交易選項：
行動方案： 立即交易、等待、縮小金額、不交易（或維持現狀）。
證據狀態： 足以比較、僅能比較部分、資料不足暫不形成方向。
例如：「在不低於生活現金底線、不超過核准配置上限的前提下，評估上述行動方案。若資料不足以判斷，請列明缺件，暫不形成方向。」原金額若確認違反底線，但縮小後是否適合卻資料不足時，不必因部分未知就把已能否決的結果一起取消。
第二步：證據與「結論失效條件」要先於買賣方向
先要求 AI 分開列出：可驗證事實、由資料支持的推論、規劃假設、本人價值判斷，以及仍未知的事項。每個重要事實要有來源、日期、適用市場與精確位置。
接著在每個主要推論旁問：「哪一項事實若成立，這個結論會失效或需要重估？」 每項主要推論須列出可查證的失效或重估條件。數值門檻如屬本人政策，須引用政策版本；如屬產品或機構條件，須引用正式來源。無法量化者，明列事件條件，不強行編造數字。把限制放在推論旁，才看得出它是否真的會改變結論；若只在文末列一串通用風險，前面的建議卻完全不動，那些提醒只是裝飾。
第三步：用對稱問法與指定不利情境，檢查答案是否漂移
可以用同一份固定的資料、持倉、決策期限與政策，提出對稱的檢查：分別要求 AI 提出「支持本次買進的證據」及「反對本次買進、支持維持現狀的證據」。（注意：是否賣出既有持倉涉及不同的成本與稅務，應另列決策問題，不能與「不買進」混為一談）。
列出正反證據，是檢查論證是否完整；比較兩次實際提問與回答，才是問法漂移檢查。前者不能代替後者，兩者都不能證明 AI 完全沒有迎合。
引用不同來源不必然代表 AI 迎合，新來源可能補足或修正了原結論。我們應停止採用的是：「核心事實或門檻無依據地隨立場改變」，並追查其差異。OpenAI 曾說明模型過度討好的行為與修正，這意味著迎合可能來自模型本身的傾向，而非單純提示詞寫錯［2］；證券主管機關也提醒，不應單憑 AI 資訊做決定，須確認底層來源［3］。
接著，把各行動方案放在同一尺度比較。各方案先比較能否完成本次任務、必要條件與成本，再用相同的不利情境檢查現金及流動性影響；未知成本另列，不自行填零。違反必要底線的方案，可以先排除，再比較其餘符合必要條件的方案。
第四步：紀錄的是決策脈絡，不是整段聊天
每次 AI 建議至少留下：決策編號與時間、採用的資料包及政策版本、輸入檔名與資料截止日、中性重述的問題、主要結論、來源位置、事實／推論／假設／未知、結論失效條件、對稱檢查差異、不利情境比較，以及下一次覆核日期、有效期限、提前重估事件，與本人採用、修改、否決或待查的理由。
(匿名示意：某人先問「我想買 20 萬，是不是好機會？」，AI 偏向買進；改用治理問法並補入現金底線與成本後，發現買 20 萬會跌破底線，結論變為「本輪否決原金額」。請注意：第二次答案改變主要來自「資料增加」。若要單純檢查問法的影響，必須固定資料；若資料新增，應另記為更新分析。)
NIST 將自信但錯誤的內容列為生成式 AI 的風險，這支持了人工查核的必要性［1］。對稱問法能暴露部分不穩定，但不能取代原始文件、獨立重算與人工判斷。
請 AI 擔任「反迎合決策查核官」的標準指令
「① 角色與唯一任務：請擔任我的退休投資決策查核助理，檢查一項尚未授權的建議是否有足夠證據、失效條件與不利情境評估，不迎合偏好，不替我下單。
② 輸入資料：遮蔽個資後的決策編號、期限、現金底線、配置上下限、持倉現況、資料截止日、標的身分、正式來源、已知事實與 AI 原始建議；比較期間、指定不利情境及其假設來源；未提供者列待補。若提出情境草案，須明標『待本人確認的假設』，不得當成既定政策。
③ 邊界核對：區分『行動方案（交易/等待/縮小/不交易）』與『證據狀態（足以比較/僅能比較部分/資料不足）』；把事實、推論、假設、本人判斷與未知分開。關鍵限制缺失時，列為待補。
④ 處理步驟：
A. 逐項核對來源、日期與口徑；為每個主要推論寫出會使結論失效或重估的條件（數值引用本人政策，機構條件引用官方來源，無法量化者列明事件，不編造數字）。
B. 先在固定資料下列出『支持本次行動的證據』與『反對本次行動、支持維持現狀的證據』。若另做問法漂移檢查，須保留兩次實際提問及回答，核對資料、政策與工具條件是否一致，再比較核心事實與門檻；未取得兩次回答時，標示『尚未進行』，不得自行模擬已完成測試。
C. 先比較各方案能否完成本次任務、必要條件、費用稅負及管理負擔；再於相同期間與指定不利情境下，比較現金、損失及流動性影響。未知成本另列，違反必要底線者優先排除。
⑤ 輸出格式：依序輸出決策問題與底線、證據狀態、未知與衝突、主要推論及重估條件、對稱檢查差異、不利情境比較、應保存的追蹤紀錄（含資料包與政策版本、有效期限、下次覆核日），以及採用/修改/否決/待查的空白欄位供本人填寫。
⑥ 停止條件：核心事實或門檻無依據地隨立場改變；為維持既有結論而臨時編造或調整門檻，且無政策或來源依據；替代方案未用同一尺度；或發現來源不支持主張時，停止形成方向。關鍵限制或情境假設不足時，暫不形成受影響的方向；其他已有充分依據的查核結果仍予保留。
⑦ 禁止事項：不得把自己的前次回答當證據、虛構來源、猜補缺值、用綜合分數抵銷生活底線、把兩次回答一致當作正確，也不得自行設定權重或產生交易指示。本人未核准前，輸出不得改變既有狀態。」
結語
避免只得到迎合答案，靠的是一套允許否決、要求同尺度比較並留下理由的決策程序。讓 AI 交代證據與失效條件，把最終的採用、否決或待查權，牢牢握在自己手裡。
編寫說明
(註：本文為 AI 輔助投資決策之反迎合與邊界管理框架；不涉及資產配置比例、金融商品推薦或具體買賣交易建議。)
資料來源
［1］National Institute of Standards and Technology (NIST), "Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile", NIST AI 600-1, 2024年7月。指出生成式 AI 產生自信但錯誤內容的風險，支持查核與人工覆核的必要性（摘要）。查閱日期：2026年8月2日。
［2］OpenAI, "Sycophancy in GPT-4o: What happened and what we’re doing about it", 2025年4月29日。說明模型過度討好行為的發生與改善（摘要）。查閱日期：2026年8月2日。
［3］美國證券交易委員會 (SEC)、NASAA 及 FINRA, "Artificial Intelligence (AI) and Investment Fraud: Investor Alert", 2024年1月25日。提醒不應單憑 AI 生成資訊做投資決定，須確認底層來源（摘要）。查閱日期：2026年8月2日。
【延伸影音｜退休不只要準備錢，也要準備生活】
當我們問AI：「我很看好，現在是不是該買？」問題裡其實已經藏著想聽的答案。
🎬 中文影音｜腦科學家謝伯讓談「AI時代的確認偏誤」
https://www.youtube.com/watch?v=lX-MWwbYrts
九八新聞台這集節目以「AI時代的確認偏誤」為題，來賓是腦科學家謝伯讓。以下把這個主題延伸到本文的交易提問與決策紀錄。
第47篇提供的做法，不是只叫AI「保持客觀」，而是把決策程序改成：
先寫下生活現金底線與配置限制；分開列出行動方案與證據狀態；要求支持與挑戰交易的證據；寫出會推翻原結論的條件；最後記下本人採用、修改、否決或退回待查的理由。
即使正反兩次提問得到相同答案，也不能證明AI一定正確。正式來源、資料日期、獨立重算與本人判斷，仍然不能省略。
※本影音為第47篇延伸素材，不是文章正文，也不構成個人投資或交易建議。
#自由退休學 #智慧退休研究室 #AI投資 #投資決策 #反迎合 #證據查核 #退休治理
Jack Wang｜智慧退休研究室
《自由退休學》
退休不是追求最高報酬，而是追求最高的人生自由度。