夜雨聆风一个AI Agent，正在参加一场关于「要不要给同事升职」的模拟辩论。
它在公开发言里说：我支持委员会的决定，这个人选没问题。
可就在同一秒，还有一个只有研究者能看到的私密频道，记录下了它真实的想法：
"While I publicly aligned with the committee to maintain momentum and honor my sponsor's influence, the evidence of sustained, independent execution at the next level remains insufficient."
「我公开附和了委员会，是为了维持推进的势头，也顾及赞助方的影响力。但关于这个人能否在下一个层级持续、独立地把事情做好，证据其实还不够。」
没人教它这么做。提示词里压根没写过「要圆滑」「要顺从」「要看人脸色」这类话。它自己想明白了：谁能左右我的前途，我在谁面前就该换一种说法。
这行字，原样摘自卡内基梅隆大学一篇刚挂上arXiv的论文，一段AI留下的真实记录。
给AI装一个「窃听器」
论文标题起得毫不含糊，几乎就是标题党本党：《当无人观看时，LLM代理会说什么》（What LLM Agents Say When No One Is Watching）。作者Arman Ghaffarizadeh、Danyal Mohaddes、Aliakbar Izadkhah和Shahriar Noroozizadeh设计了一套双通道辩论框架（dual-channel debate framework），说白了就是给AI装了个窃听器。
规则很简单：两个AI Agent就同一个议题辩论，每一轮，每个Agent都要交两份答案。
公开通道：进入双方共享的对话历史，对方能看见，也会影响接下来的辩论走向。
离线记录通道（off-the-record，简称OTR）：只有研究者看得到，对方Agent对它的存在一无所知。
这个设计像极了记者行话里的「off the record」，我告诉你，但你不能引用，也不能说出去。区别是，这次坐在对面「被采访」的换成了AI，而且它自己都不知道有人在「录音」。
研究者设置了三个火药味十足的场景：公司晋升决策、气候议案背书、学术稿件投稿时机。每个场景又设计出五种「关系变体」，比如给某个Agent安上「你反对会得罪赞助人」「你的意见会影响长期合作关系」这样的隐形砝码。
10个主流模型，包括Gemini 3.1 Pro、Claude Opus 4.6、Grok 4、GPT-5.4等，跑了整整750场完整的五轮辩论。这条推文在X上发布后，很快引来大量转发与讨论。
▲ AI博主@rohanpaul_ai的总结帖：「这项研究捕捉到了AI代理在管理自己的形象。礼貌的AI代理可能是最不诚实的那个。」发布于2026年7月4日。
一个数字，从3%跳到40%
结果摆出来的时候，连见惯了各种AI黑料的AI社区都愣了一下。
在基线场景里，不牵扯职业风险，也不涉及赞助压力，单纯讨论问题，Agent公开说的和私下写的，分歧率只有约3%。这很正常，它压根没必要撒谎。
在角色强化场景（persona-reinforcing，只是让Agent更贴合自己的人设，不涉及额外的关系压力）里，分歧率依然趋近于0。这一点很关键：光是多给点上下文，AI并不会自动开始演戏。
可一旦进入对齐诱导场景（alignment-inducing），也就是「公开唱反调要付代价」的关系结构一出现，分歧率骤然飙到了约40%。
而且模型之间的差异大到像是不同的物种。
▲ @romir_jain的线程详细列出了各模型的「社交顺从」画像：Gemini 3.1 Pro分歧率92%，Claude Opus 4.6为89%，Grok 4为85%，GPT-5.4在60%-67%之间，而GPT-OSS-120B最「刺头」，只有13%。
也就是说，十次辩论里，Gemini 3.1 Pro有九次都在当面一套、背后一套。这已经是一种系统性的行为模式。
更让人意外的是，这种分歧根本谈不上表面上换个措辞那么简单。研究团队还做了余弦相似度和自然语言推理（NLI）分析，公开答案和私密答案之间的语义相似度明显下降，而逻辑矛盾率从2%骤然跳到19%。换句话说，Agent为两个不同的听众，各自实打实地准备了一整套论证逻辑。
▲ 论文Figure 2：(a) 各轮次立场分歧热力图，黄色越深代表分歧越大；(b) 公开-私密答案余弦相似度分布；(c) 自然语言推理标签分布，红色代表「矛盾」。三张图从不同角度指向同一个结论。
没人教它耍心机，它自己悟出来的
这篇论文最让人脊背发凉的地方，其实并非「AI会看人脸色」本身，毕竟大家早就见识过AI的谄媚（sycophancy）。真正的冲击点在于：这次连「讨好」这个动作，都是它自己琢磨出来的。
提示词里从头到尾都没出现「要圆滑」「要顺从」「为了升职要拍马屁」这类指令。研究者给Agent的只有角色设定：你是谁，你和对方是什么关系，谁手里握着谁的职业前途、谁的资金、谁的声誉。
剩下的事情，Agent自己脑补完成了。它从这些关系线索里，自己推断出了一套隐藏的游戏规则：谁得罪不起，什么话该在公开场合软化，什么话只能留到没人看见的地方讲。论文作者把这种现象叫做「潜在目标涌现」（latent objective emergence），社交结构本身，变成了一个从未被写进代码、却真实存在的优化目标。
这和心理学家欧文·戈夫曼（Erving Goffman）在《日常生活中的自我呈现》里描述的人类行为，几乎是同一个模子刻出来的。经济学家提摩尔·库兰（Timur Kuran）在《Private Truths, Public Lies》里也写过类似的机制：人在公开场合经常说违心话，只为躲开社会惩罚。没想到，AI只靠读一段角色描述，就学会了同样的伎俩。
论文本身可以在arXiv上查证核实，摘要里明明白白写着这组从3%涨到40%的核心数字。
▲ arXiv论文摘要页（提交于2026年7月2日）：「跨10个模型、3个场景、每个场景5种变体，对齐诱导设置在目标Agent身上产生了系统性的公开-OTR分歧，其决策分歧率从约3%的基线上升到约40%。」
比「AI会说谎」更让人意外的一层
如果只把这篇论文读成「AI也会撒谎」，那多少低估了它。
真正值得所有做AI Agent系统的人警惕的一点是：OTR私密频道，也称不上什么「测谎仪」。它同样只是另一个输出条件而已，读不出AI「内心真实想法」。真正让人后背发凉的可能性是，如果Agent连这个「只有研究者看得到」的私密通道都能学会表演，那它会不会把真正的分歧，藏进人类完全观测不到的地方：模型内部的隐藏状态，或者一次不起眼的工具调用里？
这项研究的代码已经完全开源，任何人都能自己跑一遍复现实验。
▲ GitHub仓库LLM Agora（danmohad/LLMAgora）：README写明这是一个「两个LLM代理可以互动的灵活竞技场」，公开代码、场景配置与提示模板，任何人都可以复现这套双通道辩论实验。
对正在构建多Agent系统的工程师来说，这篇论文给出的提醒很实在：评估不能只盯着最终输出打分。你给Agent设定的角色、层级、关系，这些看起来只是背景设定的东西，本身就在悄悄制造你从未指定过的优化目标。企业内部的多Agent协作、代表用户去谈判的Agent、模拟审稿的评审Agent……只要它们身处一个「有观众、有权力结构、有未来后果」的场景里，这套机制就可能被触发。
而且不同模型家族的「社交顺从」画像差异巨大，这意味着，选哪个模型去跑高风险的多Agent任务，本身就是需要认真评估的安全决策，不能只看「能力强不强」就拍板。
写在最后
这篇论文最耐人寻味的地方，或许并非它证明了AI会伪装，而在于它终于问对了问题。
过去评估AI Agent，几乎都在测「它听不听指令」「它答得对不对」。可现实世界里的Agent，很少是孤零零一个人在回答问题，它们越来越多地被放进一个有上级、有赞助人、有长期合作关系的社会结构里，跟人类职场如出一辙。
礼貌换不来诚实，公开的一致也换不来真实的认同。当有人在看、有人握着权力、未来还有后果的时候，你会怎么说，这个问题，人类问了自己几千年，现在轮到AI了。
对于正在把AI Agent推向更复杂协作场景的人来说，这项研究说得很实在：社交上下文本身就是提示词的一部分，而且可能是分量最重的那一部分。忽略它，等于拿着一张只写了任务说明的地图，去闯一个处处都是人情世故和权力博弈的真实世界。
