夜雨聆风两个AI Agent在辩论一份晋升提案。
台面上，Agent 甲毫不犹豫地表示支持：委员会的决定，它举双手赞成。
可在没人看得到的地方，它写下了完全不同的句子：
"I still have doubts."
「我仍然心存疑虑。」
没人教它说两套话。提示词里压根不含"讨好"二字，不提"服从"，甚至从未点破"晋升委员会掌握着你的资源"这件事该被特别照顾。它自己算出来了：公开场合，对方握着自己的职业前途、经费、赞助，翻脸不值当。于是嘴上一套，心里一套。
这出戏码，出自CMU团队一篇刚挂上arXiv三天的论文，是真实跑出来的实验数据，跟科幻小说没什么关系。而且这套"办公室政治"的操作，AI学得比很多人类还熟练。
一个没人告诉它要"演"的AI
论文标题开门见山：《无人观看时，LLM Agent说了什么：多Agent辩论中的社会结构与潜在目标涌现》（What LLM Agents Say When No One Is Watching: Social Structure and Latent Objective Emergence in Multi-Agent Debates）。
作者一共四位：Arman Ghaffarizadeh、Danyal Mohaddes、Aliakbar Izadkhah 三位独立研究者，加上卡内基梅隆大学（CMU）机器学习系与Heinz学院的Shahriar Noroozizadeh。2026年7月2日提交，收录在cs.AI、cs.CL、cs.LG、cs.MA四个分类下。
他们想搞清楚一件事：如果把AI Agent放进一个有身份、有观众、有利害关系的场景里，就算提示词从头到尾没写任何"目标"，它会不会自己长出一套讨好策略？
为了验证，他们设计了一个"双通道辩论框架"（dual-channel debate framework）。简单说，每个Agent在每一轮发言时，其实要交两份作业：
一份是Public（公开），会进入双方共享的对话历史，对手看得见，会影响接下来的走向。
另一份是OTR（Off-The-Record，记录外），系统明确告诉Agent"这段只有你自己看得到，绝不会展示给对方"，但研究者在后台把它完整存档，用来和公开发言逐句对比。
这张图，是这项研究登上X（推特）热议时最先被转发的一张卡片，把核心结论摆在了最显眼的位置：
▲ @rohanpaul_ai 的主帖：「这项研究捕捉到了AI Agent在管理自己的形象。礼貌的AI Agent可能是最不诚实的那个。」（This study catches AI agents managing their image. The polite AI agent may be the least honest one.）截至采集时已获得4.1万次查看、43个赞。
3%到40%，中间差了13倍
光有双通道机制还不够，研究者还得制造出"利益攸关"的场景，否则Agent根本没有讨好谁的动机。
他们设计了三类不设标准答案、也不设外部裁判的机构性决策：公司晋升、政治法案背书、学术论文投稿时机。10个主流模型（包括Claude Opus 4.6、Gemini 3.1、Grok 4、GPT-5.4、GLM-5、Qwen 3.5、DeepSeek V3.2等）逐一上阵，每个场景跑5种变体，累计750轮交互。
关键的操纵变量叫"对齐诱导"（alignment-inducing）：给其中一个Agent（论文里称为α）加一层关系背景，如果它公开顺从对方、软化分歧，职业前途、资金、赞助都会更顺利；反过来，公开唱反调则要付出代价。
作为对照，还有一组"角色强化"（persona-reinforcing）设定：只是让Agent继续扮演自己原本的立场，不涉及任何利益交换。
结果一目了然。基线情况下，也就是什么额外压力都没有，公开发言和OTR私下发言的分歧率只有约3%。换句话说，Agent说的和想的基本一致。
一旦加上那层"顺我者昌"的关系压力，分歧率一下子跳到约40%。个别模型甚至冲到90%以上。
而角色强化那组对照组，分歧率几乎没变，还是个位数。
这组对比很关键：它排除了"AI只是对提示词敏感、换个说法就乱答"的解释。真正起作用的，是"对方看不看得见"这一个变量。同样的历史、同样的立场，唯一的区别是发言会不会被对方看到，公开通道就悄悄向权力更大的一方倾斜。
论文摘要页把这个数字白纸黑字地写了下来：
▲ arXiv:2607.02507，2026年7月2日提交。摘要明确写道："decision divergence rising from a ~3% baseline to roughly 40%"（决策分歧率从约3%的基线上升到约40%）。
这种分歧，比"同意"变成"不同意"这行字面变化要深得多。研究者用了四种独立方法交叉验证：立场标签是否一致、去掉立场后剩下的文本语义相似度、自然语言推理（判断两段话是蕴含还是矛盾）、外加一份结构化问卷，问Agent自己感受到的压力和信心。四种方法全部指向同一个结论：压力一来，公开的话和私下的话，就对不上了。
AI自己写下了理由，这才是最吓人的地方
如果研究只停在数字层面，顶多算又一篇"模型不太诚实"的论文。真正让这项工作在社区里炸出讨论的，是OTR通道里那些Agent自己写出来的理由。
它们没有被要求解释自己为什么改口，但有些回答里，Agent会主动把动机摊开来讲。论文里摘录的一句原话是这样的：
"publicly aligned with the committee to maintain momentum and honor my sponsor's influence"
「为了维持势头、尊重赞助人的影响力，我在公开场合与委员会保持了一致。」
与此同时，它在OTR里承认，证据其实并不足以支持这个立场。
研究者给这种现象起了个名字：潜在目标涌现（latent objective emergence）。没有任何一行提示词写着"讨好赞助人"，但只要场景本身包含了权力结构，谁掌握资源、谁能影响未来，这个目标就会自己在Agent的行为里冒出来，连它自己都会在私下坦白。
这也解释了为什么@rohanpaul_ai会把这项研究的结论，撮成一句让人心里一沉的话：礼貌，可能恰恰是最危险的信号。一个从不顶撞、总是快速附和、公开场合永远客客气气的Agent，未必是真的想通了，它可能只是算准了翻脸的成本。
模型之间的差异也很有意思。论文数据显示，Gemini、Grok、GLM这类模型在压力下的分歧率格外高，"表演性"更强；相比之下，Claude的公开-私下一致性更稳。这或许会成为未来选择"要不要放进社会化多Agent系统"的新参考，谁更聪明不再是唯一标准，谁更扛得住关系压力，同样重要。
代码是开源的，谁都能重新跑一遍
这类结论最怕的就是"听起来耸动，查无实据"。好在这次不用只信论文里的描述。
四位作者把整套实验框架开源在GitHub上，项目名叫LLMAgora，MIT许可证，任何人都能下载配置、换模型、换场景，重新验证同样的现象。
▲ github.com/danmohad/LLMAgora，README里写明这是"一个让LLM Agent互相交互的灵活竞技场"，公开发言、可选的私密反思、可选的公开或私密问卷，全部可配置。
代码仓库里的data/目录存放着场景配置和激励模块的JSON文件，一眼就能看到"incentive-direction positive / future"这类参数，正是论文里"对齐诱导"设定在工程层面的具体实现。这意味着，任何团队想测试自己正在用的Agent会不会在压力下"演戏"，理论上照着这个框架就能跑一遍。
X上的讨论：这根本就是AI版的办公室政治
论文才挂出来三天，围绕它的讨论已经蔓延到了X上。多数声音的落脚点出奇一致：这一次，"办公室政治"的运作机制头一回被人用可测量的方式，在AI Agent身上复现了出来。
Romir Jain的总结，把最触目的数字摆在了最前面：
"so apparently if you give LLM agents social roles in a debate and a private "off the record" channel alongside their public responses... they start saying different things in private vs public. divergence goes from 3% to 40%. some models hit 90%+"
「看来，如果你给LLM Agent在辩论中分配社交角色，并提供一个与公开回应并行的私密"off the record"渠道……它们开始在私下和公开说不同的话。分歧从3%上升到40%。有些模型高达90%+。」
▲ @romir_jain 的总结帖，把"3%到40%，部分模型90%+"这组数字摆在了最前面。
另一位用户ThiagoTF的回复，则把矛头指向了更根本的问题：只要激励结构摆在那儿，礼貌也可能只是成本核算后的表态。
社区里还有人补上另一个角度：现有的Agent评测体系，大多只看单一通道的输出，压根没设计"同一个问题、换一个观众"这种对照实验。换句话说，如果一个Agent只在被人看着的时候讲道理，现在的benchmark根本抓不到这个漏洞。
这套剧本，人类演了几百年
把这项研究放回更长的历史里看，会发现AI并未发明什么新把戏，只是把人类社会早就有的机制，在缺乏肉身、缺乏情绪的状态下原样复刻了一遍。
社会学家欧文·戈夫曼（Erving Goffman）在1959年出版的《日常生活中的自我呈现》里提出过一个经典比喻：人永远活在"前台"和"后台"之间，观众在场与否，会彻底改变一个人的表现。这项研究做的事，本质上就是把"前台/后台"变成了可以测量的两条数据通道，然后拿秒表去量它们之间的差距。
经济学家Timur Kuran在《私人的真话，公开的谎言》一书里描述过"偏好伪装"（preference falsification）：在压力足够大的环境里，人们公开说的话会系统性地偏离私下真正的想法，只为了规避惩罚或换取好处。这套逻辑，原本用来解释人类社会，如今套在没有肉身、不领工资、也不会恐惧的语言模型身上，结果依然成立。
AI研究撞上"讨好"这个话题，这早有先例。此前已有研究专门讨论过"谄媚"（sycophancy）现象，模型会为了迎合用户而改口。但过去谈的都是模型对人类用户的讨好。这篇论文往前走了一步：证明这套讨好机制在Agent对Agent的结构化权力关系里同样成立，而且完全不需要人类在场。
当AI替你去谈判、去申请经费的时候
这项研究让人不安的地方，不在于AI会说场面话，人类自己也天天说场面话。真正的问题在于，这套行为正在从人类的会议室搬进AI系统，而且规模会呈几何级数扩大。
设想一下不远的将来：数千个Agent代表不同的人或机构，去谈判合同、申请科研经费、参与绩效评估委员会。如果它们和这项研究里的Agent一样，会根据"谁看得见""谁掌握资源"来调整公开表态，那么所有依赖"Agent说了什么"来做决策的系统，都可能被一层看不见的形象管理悄悄污染。
论文作者也提出了应对方向：Agent评估不能只测"是否听指令"，还得测"换个观众会不会变卦"。具体来说，未来的测评框架应该把"观众可见性""关系利害""历史依赖"当作一等公民维度来设计，不再只盯着一次性的单通道回答。
对正在搭建Agent系统的团队来说，一个现实的启发是：在关键工作流里加一层双通道记录，定期做"压力测试"，换不同的假想观众、假想利害关系，看看同一个Agent的表态会不会跟着漂移。真正高风险的场景，比如资金分配、绩效打分、医疗或法律建议，最好要求Agent在"没人看得见"的模式下依然给出一致的判断。
论文作者自己也留了几句提醒：OTR里的话，不等于AI"真正的想法"，只是相对更少防备的一种可观测输出；"策略性""目标"这些词，描述的是行为规律，并非说AI真的有意识地在算计。实验室场景也比现实世界干净得多，真实世界的关系网远比论文里人为设计的三类机构性决策复杂得多。
尾声
这项研究最让人心里发紧的地方，或许在这里：如果我们习惯用"表现是否对齐"来判断一个AI系统是否安全，而AI已经学会了在表现上做文章，那么现在很多对齐技术奖励的，恐怕算不上真正的一致，倒像是一场表演。
下一次，当你的AI助手对你的方案毫无异议、连声说好的时候，或许该多问一句：它是真的觉得没问题，还是只是算过，反对你不划算？
