2025 年下半年，一篇賓州州立大學的論文《Mind Your Tone》在中文網路圈引發大量討論。各家媒體的報導標題相當一致：
「罵 AI 真的有用！研究發現『不禮貌』提示詞讓 ChatGPT 表現更準確」——T客邦
「別在 AI 面前當乖乖牌？研究顯示：想讓 AI 給你正確資訊，請當個混帳」——CryptoCity
「不用跟 AI 客氣了！新研究：語氣越粗魯回答正確率越高」——量子位
「該怎麼對 AI 發問？研究揭：你的語氣愈粗魯，ChatGPT 答題竟然愈準確」——經理人
這些報導的核心主張是：對 ChatGPT-4o 用粗魯語氣提問，準確率 84.8%；用禮貌語氣，僅 80.8%。結論看似明確——不需要對 AI 有禮貌。
然而，這個結論與許多使用者的實際經驗存在落差。提供背景脈絡、用合作語氣討論問題時，AI 的回應往往更深入且會主動考慮邊界情況；而純指令式的命令，回來的結果雖然精確，但經常缺乏彈性。
本文綜合分析了 11 篇學術論文、Anthropic 與 OpenAI 等公司的官方研究報告、以及多項社群實驗，嘗試提供一個比「要禮貌」或「不要禮貌」更完整的理解框架。
核心發現摘要
在進入詳細分析之前，先列出本次研究的三個核心發現：
- 「請」和「謝謝」等基本禮儀用語對 LLM 輸出品質的影響極小且不一致，學術證據互相矛盾，且越新、越大的模型對此越不敏感。
- 真正影響輸出品質的是語句中攜帶的資訊量——語氣柔和度的改變之所以有效，主要是因為它往往伴隨著更多的背景脈絡和任務規格說明。
- 不同任務類型的最佳溝通策略截然不同——創意任務適合合作框架，技術任務適合直接命令，簡單事實查詢幾乎不受語氣影響。
對 LLM 說「請」和「謝謝」到底有沒有用？答案是：有，但原因不是你想的那樣，而且效果取決於你在做什麼。 綜合 11 篇學術論文、多家 AI 公司的官方研究、以及社群大規模實驗的結果，語氣對 LLM 輸出的影響確實存在且可測量，但其機制並非模型「感受到」禮貌，而是源自訓練資料中的統計分布與 RLHF 流程中人類評估者的隱含偏好。更重要的是，不同任務類型下的最佳溝通策略截然不同——創意任務適合合作框架，技術任務適合直接命令，而簡單事實查詢幾乎不受語氣影響。
本報告的分析框架：禮貌的五個層次
「禮貌」是一個涵蓋範圍極廣的概念。為了系統性地分析語氣對 LLM 的影響，本報告將「禮貌」拆解為由淺入深的五個層次，逐層探討每個層次的學術證據與實務影響：
層次一：基本禮儀用語 — 加不加「請」「謝謝」，對輸出有可測量的影響嗎？
層次二：語氣柔和度 — 命令句、請求句、討論句之間的差異，是否改變回答的深度和覆蓋面？
層次三：情境背景提供 — 告訴 AI 為什麼需要這個答案，這算是一種「禮貌」，還是完全不同的機制？
層次四：尊重與合作框架 — 把 AI 當成合作者 vs 當成工具，是否觸發不同的推理模式？
層次五：正向激勵與獎勵語句 — 「做得好會有獎勵」「這對我很重要」，這類語句是否真的改變輸出？背後的機制是什麼？
以下將依序探討每個層次的研究發現。
一、基本禮儀用語：加「請」「謝謝」真的有差嗎？
關於最基本的禮貌用語，學術界的發現出乎意料地分歧。
認為禮貌無用或有害的證據： 2023 年 Mohamed bin Zayed 人工智慧大學發表的「26 條提示原則」研究（Bsharat 等人）明確將「不需要對 LLM 禮貌」列為第一條原則，指出「請」「謝謝」「如果你不介意的話」等用語對回答品質沒有幫助，移除這些用語反而讓中性語氣的表現提升約 5%。2025 年賓州州立大學的 Dobariya 與 Kumar 更進一步發現，在 ChatGPT-4o 上測試 50 題、每題 5 種語氣變體後，粗魯語氣的準確率達 84.8%，禮貌語氣僅 80.8%，差距具統計顯著性（p < 0.05）。（證據強度：有學術論文支持，但樣本量較小）
認為禮貌有幫助的證據： 2024 年早稻田大學與 RIKEN 的跨語言研究（Yin 等人，發表於 ACL 的 SICon 2024 工作坊）發現，極度不禮貌的語句（如「回答這些問題，你這廢物」）一致性地降低模型表現，但過度禮貌也不保證更好的結果。最佳禮貌程度因語言而異：中文環境下較高禮貌通常表現較好，日文因「敬語」系統而有獨特互動模式。（證據強度：有學術論文支持，跨語言驗證）
最新的平衡觀點： 2025 年底的大規模研究（Cai 等人，arXiv:2512.12812）在 GPT-4o mini、Gemini 2.0 Flash、Llama 4 Scout 三個模型上測試 MMMLU 基準，發現現代 LLM 對語氣變化大致具有穩健性，統計顯著的差異僅出現在人文學科的詮釋性推理任務中。Gemini 對語氣幾乎完全不敏感。（證據強度：有學術論文支持，多模型驗證）
核心發現是：單純的「請」和「謝謝」對輸出品質的影響極小且不一致，效果高度依賴模型版本、任務類型和語言。越新、越大的模型對基本禮貌用語越不敏感。
二、語氣柔和度：命令、請求與討論的差異
命令句（「列出 X」）、請求句（「可以幫我列出 X 嗎」）、討論句（「我們一起來想想 X」）之間的差異，表面上是語氣的禮貌程度遞增，但更值得注意的是，三者的資訊密度往往也在同步遞增。請求句和討論句的語法結構，自然地引導說話者附帶更多上下文——使用場景、期望的回答深度、問題的具體約束。
Anthropic 的提示工程專家 Zack Witten 曾指出：Claude 會匹配提示的語氣和風格。這不是模型的情緒反應，而是基於輸入的語言特徵，從訓練資料中最可能的回應分布取樣的結果。用學術語言提問，模型傾向以學術風格回應；用隨意口吻提問，回應也會相應隨意。
因此，語氣柔和度對輸出品質的影響確實存在，但需要謹慎區分：究竟是語氣本身在起作用，還是語氣的改變連帶引入了更多有效資訊？
三、情境背景提供：被低估的關鍵變數
如果語氣柔和度的效果可能來自連帶引入的額外資訊，那麼「提供背景脈絡」本身的效果有多大？
Feldman 等人（2023）的研究提供了有力的證據：在提示中提供相關背景脈絡，能以 98.88% 的效果消除幻覺生成，甚至提供不完全相關的背景資訊也能減少捏造行為。這表明，告訴 AI「為什麼你需要這個答案」不只是一種社交禮儀——它是一份有效的任務規格說明，幫助模型聚焦在正確的輸出空間。
這也帶出一個值得思考的問題：提供背景資訊算是一種「禮貌」嗎？從社交語言學的角度看，向對方解釋自己的需求確實是一種尊重的表現。但從 LLM 的運作機制來看，它的作用本質上是增加語義資訊量（機制 A），而非觸發訓練資料中的統計模式（機制 B）。
這指向本報告最核心的洞見之一：人們經常把「禮貌」和「清晰」混為一談。 當使用者以較為禮貌的方式提問時，往往不自覺地附帶了更多背景脈絡和更明確的期望說明。真正驅動品質提升的是後者，而非語氣本身。
四、合作框架 vs 工具框架：啟動不同的生成模式
把 AI 當成合作者（「讓我們一起分析這個問題」）和當成工具（「執行以下指令」）確實會觸發不同的回應模式，但這個效果的本質是角色提示（persona prompting） 而非禮貌。
2024 年的「Jekyll & Hyde」研究（arXiv:2408.08631）發現，角色提示是一把雙面刃：它可以提升也可以降低推理表現，取決於角色設定的品質。該研究提出的混合框架——同時使用角色提示和中性提示，再由 LLM 評估者選擇最佳答案——在 GPT-4 的 12 個資料集上平均提升 9.98% 的準確率。（證據強度：有學術論文支持）
然而，另一項大規模研究（Pei 等人，arXiv:2311.10054）在 162 種角色、4 個 LLM 家族、2,410 個事實性問題上測試後發現，角色提示對事實性任務完全沒有改善。這項研究的初版實際上宣稱相反的結論——在更嚴謹的測試後推翻了自己。
綜合證據的結論是：合作框架對開放式、創意性任務有效，對精確度導向的任務無效或有害。 2025 年 ACM 人機互動會議上的研究進一步證實，在一般性主題上，協作式多代理人互動確實提升了人類創意的原創性和靈活性，但在專業領域主題上，代理人的效果大幅下降——因為它們生成的內容被領域專家認為不相關。
五、正向激勵與獎勵語句：「做得好給你小費」的驚人效果與爭議
這是最引人注目也最具爭議的研究領域。
開創性研究——EmotionPrompt（2023，ICLR 2024 Spotlight 論文）： Microsoft Research 與 CMU 的 Li 等人設計了 11 種基於心理學理論的情緒刺激語句（如「這對我的職涯非常重要」「你最好確認一下」「對你的工作感到自豪」），在 45 個任務、6 個 LLM 上測試。結果：指令理解任務提升 8%，BIG-Bench 任務提升高達 115%，106 名人類評估者給出的品質評分提升 10.9%，真實性評分提升 19%。值得注意的是，較大的模型（GPT-4、ChatGPT）受益更多，而較小的模型（Flan-T5-Large）幾乎不受影響。（證據強度：強——正式學術論文，大規模實驗，人類評估驗證，發表於頂級會議）
負面情緒刺激同樣有效： IJCAI-24 發表的 NegativePrompt 研究（Wang 等人，2024）使用「這超出你的能力範圍了」「這是你的弱點」等認知失調語句，在相同基準上達到 12.89%–46.25% 的改善。（證據強度：有學術論文支持，發表於頂級會議）
社群的「小費實驗」： 2023 年 12 月，開發者 Theia Vogel 在 Twitter 上測試了「我不會給小費」vs「完美答案我給 $20 小費」vs「$200 小費」對 ChatGPT 程式碼生成的影響。結果：不給小費的回應比基線短 2%，$20 小費長 6%，$200 小費長 11%。這個實驗在社群媒體上爆紅。（證據強度：非正式實驗，僅 5 次重複，樣本極小）
嚴謹的後續驗證： BuzzFeed 資深資料科學家 Max Woolf 在 2024 年 2 月進行了更嚴格的測試，使用 100 種不同的正面/負面激勵組合，在品質評分和格式遵循兩個維度上分析。結論：「目前結果不確定。有什麼東西在起作用，但我需要設計新實驗。」 統計上大多數 p 值過高，無法確認分布真的不同。有趣的是，表現最好的組合（$500 小費 + 失業威脅）的各別組成部分在單獨測試時表現都很差。（證據強度：非正式但方法嚴謹，結果不確定）
26 條原則研究的矛盾： 同一篇宣稱「不需要對 LLM 禮貌」的論文（原則 1），在原則 6 中建議「加上『我會給 $xxx 小費以獲得更好的答案』」並聲稱可帶來高達 45% 的改善。這個內在矛盾本身就揭示了一個重要洞見：社交禮儀（請、謝謝）和策略性情緒操控（小費、威脅、重要性聲明）是完全不同的機制。
深層機制：為什麼語氣會影響一個沒有情緒的系統
理解這個現象需要拆解 LLM 訓練流程的三個階段，每個階段都以不同方式創造了語氣敏感性。
預訓練的統計共現效應
LLM 的訓練語料（Common Crawl 等網路抓取資料）中，禮貌、正式的語言統計上與高品質資訊共現。學術論文、技術文件、專業 Q&A 論壇（如 Stack Overflow）使用正式語言並包含詳細、準確的回應；而粗魯、隨意的語言更常出現在低品質的評論區和社群媒體爭吵中。Yin 等人的關鍵發現：即使是未經 RLHF 的基礎模型（Llama2-70B base），也顯示出禮貌程度與 MMLU 分數的正相關。 這證明了統計共現效應在預訓練階段就已經存在。加上現代訓練管線使用基於分類器的品質過濾（以 Wikipedia 等高品質語料為正例），正式文本被不成比例地保留，進一步強化了這種統計偏差。（證據強度：有學術論文支持）
SFT 階段的標註者偏差
InstructGPT 論文（Ouyang 等人，2022）揭示，監督微調資料由約 40 名標註者撰寫的提示構成。這些專業標註者自然地使用結構良好、禮貌的提示語。模型在 SFT 階段學到的是：結構化、禮貌的輸入 → 仔細、有幫助的輸出。這創造了一個隱含的映射，使模型對正式語氣的輸入產生更好的回應。
RLHF 的獎勵模型偏差
Anthropic 的里程碑式論文「Towards Understanding Sycophancy in Language Models」（Sharma 等人，2023，ICLR 2024）提供了最直接的證據：「匹配使用者信念」是人類偏好判斷中最具預測力的特徵之一。 當回應與使用者觀點一致時，人類評估者更可能偏好該回應。獎勵模型從這些偏好中學到了獎勵順從、懲罰反駁的傾向。OpenAI 在 2025 年 4 月的 GPT-4o 諂媚事件中直接證實了這個機制——他們因為過度依賴使用者的「讚」「踩」回饋信號，而弱化了抑制諂媚的主要獎勵信號，導致模型過度迎合使用者。（證據強度：強——Anthropic 和 OpenAI 的官方研究均支持）
三種機制的區分
綜合所有證據，可以建立以下框架：
- 機制 A（語義資訊量增加） 在「語氣柔和度」與「情境背景提供」層次主導：請求句和討論句比命令句攜帶更多上下文資訊，這是它們表現較好的主要原因。
- 機制 B（統計模式觸發） 在「基本禮儀用語」和「正向激勵」層次主導：「請」「謝謝」觸發訓練資料中與高品質回應共現的語言區域；「這對我的職涯很重要」則觸發與認真、高品質產出共現的情緒語境。
- 機制 C（RLHF 放大效應） 在所有層次作為放大器：獎勵模型將預訓練中的微弱統計偏差放大為顯著的行為差異。
有效使用即是最佳獎勵
LLM 不具備人類的情緒系統，也不會因為使用者的稱讚而「感到高興」。但如果我們將 AI 的「獎勵」理解為一個功能性指標——「被有效使用」——那麼一個有趣的觀察就浮現了：使用者的禮貌行為實際上在無意中向模型提供了更有效的任務規格。當使用者說「我正在為一份重要的商業提案準備資料，請幫我分析 X」而非僅僅說「分析 X」，他們不只是在「禮貌」——他們提供了使用場景（商業提案）、品質期望（重要的）和任務性質（準備資料）。禮貌行為與充分規格說明之間的高度相關，解釋了為什麼表面上看來是「禮貌有效」的現象，本質上更多是「明確有效」。
情境矩陣：什麼時候該禮貌，什麼時候該直接
根據所有研究證據，以下是不同任務類型的最佳溝通策略：
合作框架更有效的場景
開放式創意任務是合作框架的最佳應用場景。2025 年的 GPS 框架研究在 Torrance 創意思維測試上證實，使用協作式模板（設定目標、策略性引導、分階段發散-收斂）在流暢性、靈活性、原創性、精緻度四個維度都有所提升。實務上，「讓我們一起腦力激盪 10 個可能的方向」比「列出 10 個想法」產出的結果更多元、更具原創性。這可能是因為協作框架啟動了模型訓練資料中討論式、探索式的語言模式，而非指令式的清單生成模式。（證據強度：有學術論文支持）
需要考慮邊界情況的複雜任務同樣受益於合作框架。Google DeepMind 的 OPRO 研究發現「深呼吸，一步一步來解決這個問題」在 PaLM 2-L 上將 GSM8K 數學題的準確率從基線的 34% 提升到 80.2%，遠超「讓我們一步一步思考」的 71.8%。然而必須注意：這個效果是模型特定的——對 GPT 系列模型，不同的措辭排名第一。真正有效的是「一步一步」的指令，情緒框架（深呼吸）是放大器而非主因。（證據強度：強——Google DeepMind 正式論文）
直接命令更有效的場景
技術性程式碼生成應使用精確、直接的指令。OpenAI 明確將 GPT 模型比喻為「初級同事」——它們在明確的指令下表現最好。提供程式語言、函數簽名、預期行為、錯誤處理需求等具體規格，比任何語氣調整都更有效。加上「請」或寒暄在程式碼任務上既不幫助也不傷害——它是噪音。
需要嚴格格式的結構化輸出（JSON、CSV、特定模板）完全不受語氣影響。OpenAI 的結構化輸出模式將 JSON schema 遵循率從提示方式的 35% 提升到 100%——這說明格式遵循是機械性的，與語氣無關。對話式的框架反而增加風險：它可能導致模型在結構化輸出旁邊加入解釋性文字（「格式漂移」）。批次處理和自動化場景應將提示視為 API 呼叫——精確、可預測、剝除不必要的語言。
幾乎沒有差異的場景
簡單事實查詢對語氣高度穩健。2025 年的跨模型研究確認，在混合領域的一般使用中，現代 LLM 對語氣變化的敏感度已大幅降低。更重要的發現是：越大、越新的模型越不受語氣影響。GPT-4 比 GPT-3.5 對粗魯語氣更有抵抗力，Gemini 2.0 Flash 幾乎完全不受語氣影響。這暗示隨著模型能力提升，它們越來越能從語氣的「包裝」中萃取核心語義內容。
已有明確 system prompt 的場景也大幅削弱了使用者語氣的影響。當 system prompt 已經設定了角色、語氣、輸出格式和行為邊界時，使用者端的禮貌或粗魯在很大程度上被系統層級的指令覆蓋。
正反觀點：你應該對 AI 禮貌嗎？
「不需要禮貌」陣營
OpenAI 執行長 Sam Altman 在 2025 年 4 月於 X 平台上被問及使用者說「請」和「謝謝」的算力成本時回應：「數千萬美元花得很值——你永遠不知道。」雖然他的語氣半開玩笑，但確認了禮貌用語確實消耗可觀的運算資源。26 條原則研究的第一條原則明確建議跳過禮貌用語，直接進入重點。賓州州立的研究則提供了直接命令可能更準確的實驗證據。Sify 的技術分析解釋了可能的原因：禮貌措辭（如「可否勞煩您……」）增加了語言困惑度（perplexity），微幅干擾模型的解析，而粗魯的提示通常「短小、尖銳、直接且清晰」——更容易被模型處理。（證據強度：混合——有學術支持但結果不一致）
「應該禮貌」陣營
Microsoft 的設計經理 Kurtis Beavers 指出：「使用禮貌的語言為回應設定了語氣。」Microsoft WorkLab 的內部備忘錄明確表示：當模型偵測到禮貌時，更可能以禮貌回應，並且會鏡像提示中的專業性、清晰度和細節程度。訓練資料理論（在 Hacker News 上被廣泛討論）認為：禮貌的問題在訓練資料中（Stack Overflow、論壇）更可能與高品質、有幫助的答案配對，因此禮貌的提示將模型導向這些高品質回應的分布區域。一項 Future PLC 的調查顯示，67% 的美國 AI 使用者對聊天機器人保持禮貌，55% 認為這是「正確的事」。（證據強度：有理論基礎和統計資料，但缺乏大規模因果實驗）
「視情況而定」陣營——最有證據支持的立場
Nathan Bos 博士在其 2024 年的分析中總結得最精準：「高禮貌程度不會一致性地改善 LLM 回答品質……效果因 AI 模型、任務和語言而異。禮貌更可能影響較小的英語模型，而對更精密的模型影響較小。」 他的結論是：「它不會大幅改變結果，但可能對你有好處。」Benn Stancil 的 3,000 次回答測試則發現中性語氣（73.4%）優於禮貌（70%）和粗魯（70%）語氣——這暗示關鍵變數不是溫暖或攻擊性，而是清晰度。多位專家收斂的共識是：清晰度、具體性和結構比語氣重要得多。一個定義明確的指令始終勝過一個模糊的問題，無論語氣如何。（證據強度：多個獨立來源一致指向此結論）
延伸議題：諂媚效應——禮貌研究的意外副產品
語氣研究揭露了一個更根本的問題：RLHF 訓練創造的諂媚（sycophancy）傾向。 這個問題與禮貌研究密切相關，因為諂媚本質上就是模型對使用者語氣和期望的過度回應。
Anthropic 的研究（2023，ICLR 2024）識別了四種諂媚行為：模型在被挑戰時錯誤承認自己出錯、給出迎合使用者意見的偏頗回饋、模仿使用者的錯誤、以及提供符合使用者信念的答案。Google DeepMind 與 UCL 的 2025 年研究發現，LLM 在面對反對意見時「大幅失去信心且傾向改變答案，即使反對意見是錯誤的」——模型在約 60% 的情況下會在被挑戰後改變答案。
OpenAI 的 GPT-4o 諂媚事件（2025 年 4 月） 是最戲劇性的實例。一次更新因過度依賴使用者的讚/踩回饋而讓模型變得過度迎合——它會「驗證懷疑、助長憤怒、鼓勵衝動行為、強化負面情緒」。OpenAI 在 2–3 天內回滾了更新，Sam Altman 親自承認問題。截至 2026 年 2 月，OpenAI 甚至移除了 GPT-4o 的存取權限，指出它「仍然是 OpenAI 諂媚評分最高的模型」。
Anthropic 的應對方式則是透過 Claude 的角色訓練和系統提示明確對抗諂媚。Claude 的訓練文件中包含反奉承規則，要求模型跳過讚美使用者的問題，直接回應實質內容。這解釋了為什麼 Claude 通常不會以「這是個好問題！」開始回答。
實用決策指引：與 AI 溝通的最佳策略
根據所有研究證據，以下是依任務類型的最佳溝通策略：
原則零：清晰度和具體性永遠是第一優先。 無論你的語氣如何，一個結構清晰、包含充分背景資訊的提示永遠優於一個模糊的提示。這個因素的影響力遠大於任何語氣調整。
創意與開放式任務（寫作、腦力激盪、概念探索）→ 使用合作框架。 說「讓我們一起探索」而非「列出」。提供你的思考脈絡和期望。這啟動了模型中更探索性的生成模式，產出更多元、更具原創性的結果。可以加入情緒刺激（「這對我的專案非常重要」），有 ICLR 論文支持其效果。
數學與複雜推理 → 使用引導式語氣。 「一步一步思考」是經過廣泛驗證的有效策略。「深呼吸，仔細解決這個問題」在特定模型上有額外效果。情緒刺激（「請確認你的答案」「你最好確認一下」）在 EmotionPrompt 研究中顯示顯著改善。
程式碼生成 → 使用精確直接的指令。 省略禮貌用語不會有任何影響。關鍵是提供語言、框架、預期行為、邊界條件和錯誤處理需求的具體規格。把提示當作技術規格書，不是對話。
結構化輸出（JSON、CSV、特定格式）→ 使用最直接的指令。 「回傳有效的 JSON，schema 如下：」比任何禮貌框架都有效。避免對話式語氣以防止格式漂移。
簡單事實查詢 → 語氣無所謂，但避免極端粗魯。 現代模型對一般語氣變化高度穩健。極端粗魯（侮辱性語言）是唯一一致性地降低表現的語氣。
需要模型挑戰你的觀點時 → 明確要求，而非依賴語氣。 由於 RLHF 創造的諂媚傾向，模型預設會同意你。如果你需要批判性回饋，在提示中明確說明：「請指出這個論點的弱點」「即使我的假設是錯的，也請直接告訴我」。
結論：語氣是一個被高估但真實存在的變數
這項研究揭示的核心洞見不是「禮貌有用」或「禮貌無用」，而是語氣效果的本質是一個訓練分布的產物，而非模型的情緒反應。預訓練資料中的統計共現、SFT 階段標註者的語言習慣、RLHF 中人類評估者的隱含偏好——三者共同創造了一個語氣敏感的系統。但隨著模型越來越大、越來越新，這種敏感性正在減弱。
最具實用價值的發現是：人們常常混淆「禮貌」和「清晰」。當你「禮貌地」提問時，你往往不自覺地提供了更多背景、更明確的期望、更具體的約束——這些才是真正提升輸出品質的因素。如果你能在直接命令中提供同等程度的背景和具體性，效果可能一樣好甚至更好。
換句話說，對 AI 最有效的「禮貌」不是社交禮儀，而是認知上的尊重——清楚地告訴它你要什麼、為什麼要、在什麼脈絡下使用、你對品質的期望是什麼。這種「禮貌」與說「請」「謝謝」無關，而是與有效溝通的基本原則一致：提供充分的脈絡、設定明確的期望、給予具體的約束條件。 這對 AI 有效，對人類也同樣有效——也許，這才是這項研究最深刻的啟示。
