AI 也会有 MBTI 吗?

大家好，我是年糕！断更一周，现在又回来啦。

过去半年高频使用各类主流 AI 模型时，我有一个强烈的感觉：

不同模型，真的会给人留下不同的“性格印象”。

一开始我以为这只是错觉。直到我开始反复对比它们在不同任务里的表现，才发现这种印象并不只是“玄学体验”，而更像是一种稳定的交互感知。

当然，模型并没有真正意义上的人格。它们不是人，也不具有人类意义上的自我、意图和性格。

但从用户角度看，一个模型如果长期表现出相对稳定的回答方式、风险偏好、表达习惯和任务取向，我们就会容易把它体验成“像某种人”。

# 01 

所谓“模型像什么样的人”，到底是什么？

先说明一点：这里借用 MBTI，更多是一种传播上的比喻，而不是严谨的人格评估工具。

如果换一种更准确的说法，我真正想描述的，不是“模型的人格”，而是它们在不同任务中反复呈现出来的稳定行为倾向。

比如：

有些模型更喜欢先拆解问题，再给结论；

有些模型更擅长先顺着你的语境，把话说圆；

有些模型会主动指出你的前提可能有问题；

有些模型则更关注怎么让你“顺利把事情做完”；

这些差异累积起来，就会让用户形成一种非常具体的感觉：

“这个模型像一个冷静的分析师。”

“那个模型像一个表达欲很强的创作者。”

“还有的像一个谨慎、克制、边界感很强的工程师。”

所以，与其说我在判断模型的“人格”，不如说我在识别它们的默认行为模式。

# 02 

我感受到的几类模型差异

在日常使用里，我对不同模型的印象大致如下。

这里强调一下，这不是严格的能力排名，而是我基于特定任务类型、产品版本和使用习惯形成的经验判断。

GPT：一个平衡分析与现实可行性的协作者

GPT 给我的长期感受，是它比较擅长在“逻辑正确”和“现实可行”之间找平衡。

它能比较快地识别问题结构、拆分变量、进行多因素权衡，再给出一个既不空泛、也不太脱离场景的建议。这种感觉在深度分析、复杂决策、方案比较这类任务里尤其明显。

它不一定总是最有情绪感染力的那个，但在“把问题想清楚，再把方案落下来”这件事上，常常很稳。

Gemini：一个更注重表达完成度的创作者

Gemini 在一些表达型任务里，经常给我一种更重视语言包装和整体氛围的感觉。

它不只是把意思说出来，而是会努力把它说得更顺、更完整、更容易被接受。这种特质在文案、创意构思、表达优化一类任务中，会比较明显。它还有一个优点是，自主写出来的代码“审美”最佳。

但相应地，在一些带有情绪或立场的问题里，它有时也会显得更愿意顺着用户语境推进，而不是主动拉开距离、校正前提。

Claude：一个边界清晰、表达自然的工程师型协作者

Claude 给我的最深印象，是“稳”。

尤其在代码、文档、流程类任务里，它常常表现出很强的规范意识、边界意识和系统性思维。很多时候，它优先考虑的不是眼前最快的办法，而是更低风险、更可维护、更适合长期使用的方案。

DeepSeek：一个在特定任务里很锐利的理科生

在数学、算法和部分编程任务中，DeepSeek 有时会展现出很直接、很敏锐的推导能力，给人的感觉是切入快、思路清晰、局部很锋利。

但在更复杂的跨领域问题，或者更长链路的任务协调中，我个人目前还是更信任 GPT 或 Claude 的整体稳定性。

豆包：像一个更轻松、低门槛的陪伴型助手

豆包给我的感觉，是更易接近、更轻松、更像日常场景中的陪伴型助手。

它的优势不是高复杂度推理，而是让人更愿意随手打开、随口去问，没什么压力。这种能力看似不“硬核”，但从产品角度看，其实也非常重要。

# 03 

比“人格”更重要的，是模型在默认优化什么

如果只停留在“这个像 INTJ，那个像 INFJ”，讨论就容易停在趣味层面。

比起给模型贴人格标签，我后来总结了一个更接近本质的框架来理解它们。

我把这个框架简单概括为一个“模型行为三角”。它不代表模型的全部能力，而是帮助我理解：一个模型在默认状态下，更常优先优化什么。

我观察到，很多模型的倾向大致落在三个目标之间：

• 可靠性 / 正确性：强调事实边界、风险控制、规范性、可解释性；

• 任务效能 / 情境适配：强调在具体场景中快速、贴合、低摩擦地解决问题；

• 关系体验 / 交互顺滑：强调共情感、亲和感、表达舒适度和持续对话意愿。

从这个角度看，很多所谓“人格差异”，其实不是人格，而是默认优化目标的差异。

这个视角对我最大的帮助是：

我不再寻找一个“全能模型”，而是开始按任务调度模型。

深度分析、复杂决策，我更愿意找 GPT。

表达优化、创意构思，我更愿意找 Gemini。

代码、文档、规范输出，我更愿意找 Claude。

当然，我也很喜欢把自己的一个观点发送给不同的模型，综合来获得答案，互相弥补，看是否存在漏思考的点。这不只是“提问”，而更像是在做一种“智能协作调度”。

# 04 

一个让我印象很深的例子

我曾遇到过一个很典型的场景：当时的问题是，如何引导一个非技术用户快速清除浏览器里的 localStorage 数据，解决眼前的使用故障。

Claude 给出的首选建议，不是先解决用户此刻碰到的难题——临时指导用户打开控制台执行脚本，而是建议从产品层面增加一个清除按钮，或者提供一个更标准化的清理入口。

这个例子让我印象很深，因为它默认更倾向优先考虑：长期可维护性、普通用户可操作性和系统层面的安全边界，但实际，它忽略了用户此刻期望很快解决眼前的问题的急切心情。

从这个角度看，其实它很像“人机”，但恰恰也是这样一个模型，很多人又会觉得和他进行角色扮演，聊天是“最像人的”。

但其实，“有人味”与“偏安稳”并不矛盾。因为这两者其实属于不同层面。

“有人味”更多是表达层的特征，比如语气自然、情绪细腻、角色感稳定、回应有分寸；

“安稳”更多是决策层的特征，比如风险偏好更低、方案更规范、默认优先长期正确性。

也就是说，一个模型完全可能在表达上非常像人，在判断上却依旧非常克制。

甚至某种意义上，用户之所以觉得它“像人”，不是因为它实际更随性，而是因为它在边界感、语气控制和一致性上，更像一个成熟稳定的协作者。

# 05 

模型的差异从何而来

如果继续往下问，这些差异是怎么形成的？

我想是几种因素叠加后的结果：

• 预训练数据分布：模型读过什么，会影响它最自然的表达方式和知识组织方式；

• 后训练与对齐方法：模型被奖励什么、约束什么，会影响它的风险偏好、边界感和回应姿态；比如：Google 对 Gemini 的设定极其强调“无害”和“令人愉悦”。它的对齐准则里，优先级最高的是“不要冒犯用户”。

• 产品壳层与系统提示：同一个底层模型，在不同产品里可能呈现出完全不同的气质；

• 用户反馈与持续迭代：上线后，模型还会被不断调制，逐渐靠近真实场景中的产品目标。

所以，我们最终感受到的，与其说是“模型的人格”，不如说是一种由训练、产品和交互共同塑造出来的稳定行为印象。并且部分特质，可能并不是在最初设计时就定下来的。

# 06 

Prompt究竟能改变多少？

这就引出了一个非常现实的问题：

当一个模型存在比较稳定的默认倾向时，我们到底应该靠 Prompt 去“改造”它，还是直接换模型？

Prompt 更容易改变的是表层输出形式，比如说话方式、展开顺序、表达风格；而对那些由后训练、安全策略、系统提示和产品机制共同塑造出来的默认偏好，它往往只能部分调节，很难彻底改写。

比如，一个更重边界和规范的模型，即使被要求“像客服一样亲切”，也常常还是会优先考虑低风险和长期正确性；

反过来，一个更重表达与互动顺滑的模型，即使被要求“绝对理性”，也可能还是会显得更柔和、更愿意顺着语境说话。

也就是说，基础模型决定能力基线与默认倾向，Prompt 和工作流设计决定这些能力如何被激发、组织和交付。

承认不同模型的默认优势，再把它们编排进合适的流程里，或许才是更高效的。

# 07 

为什么我自己更习惯与某些模型协作？

写到这里我也意识到，这篇文章其实不只是在分析模型，也是在反映我自己。

我之所以喜欢 GPT，未必只是因为它“能力强”，还有一个原因是它的行为方式更贴近我的工作偏好：我希望协作者既能帮我清洗的拆解问题，探索本质；既有逻辑强度，也不脱离现实场景。

同时，我也一直没有舍弃 Gemini 的使用，因为我喜欢它总是能补充一些人文视角的观点，让思考更有关怀和温暖感。

换句话说，人与模型之间的“契合感”，并不只来自能力匹配，也来自思维方式和工作方式的匹配。

从这个意义上说，选择模型，其实也是在选择一种更适合自己的认知接口。

不知道你最喜欢的模型是什么？原因是什么呢？欢迎一起在评论区讨论！