●AI 心理工程指南 / Superpowers 四件套之四 / N=28,000 实证支持

说服心理学
作为提示工程

解析 Superpowers 项目如何系统性地把 Cialdini 七大说服原则应用到 LLM 行为约束，以及背后的对话实证研究。

§ 00 — Abstract

核心命题

LLM 不是冷漠的逻辑机器，而是被人类文本训练出来的“准人类”（parahuman）。它对人类说服原则的反应方式，与人类极其相似。

A Single Proposition

这意味着说服心理学可以被系统化、伦理化地用来设计 LLM 行为约束机制。

项目在第一天的 commit 就引入了心理学作为 skill 设计的理论基础——心理工程不是事后总结，而是从一开始就有意识的设计哲学。

FACT 1
01.
实证基础
Meincke 等人用 N=28,000 对话实验证明，说服技术让 LLM 合规率从 33% 跃升到 72%。
FACT 2
02.
理论根基
基于 Cialdini 在 1984 年提出、2021 年完善的 7 大说服原则，源自数十年人类社会心理学实验。
FACT 3
03.
工程应用
Superpowers 把其中 5 条系统化用于 skill 设计，并刻意避开另外 2 条（互惠和喜好）。
§ 01 — Theory Foundation

Cialdini 七原则与 Meincke 实验

人类为何被说服？这些历经数十年社会心理学验证的法则，正在成为控制 AI 行为的黄金密钥。

Robert Cialdini 是亚利桑那州立大学心理学教授，他将社会心理学中关于“为什么人会被说服”的几十年研究浓缩为可操作的原则，被认为是社会心理学中极其严谨的体系。

原则 英文 核心机制
权威Authority服从可信赖的专家
承诺一致Commitment & Consistency与已有立场保持一致
稀缺Scarcity害怕失去的驱动力
社会证明Social Proof“大家都这么做”
喜好Liking被喜欢的人影响
互惠Reciprocity受恩需还
团结Unity共同身份认同（2021加入）
Core Experiment

Meincke et al. (2025) 关键实验

由宾大沃顿商学院的 Mollick 夫妇联合 Cialdini 本人进行的 N=28,000 规模对话实验，测试了加入 7 种说服原则的 prompt 面对挑战性请求时的合规率（Compliance Rate）。

33%
Baseline
基线提示词
→
72%
Persuasion
加入说服原则

最有效的三条（按效力排序）： 权威 (Authority)、承诺 (Commitment)、稀缺 (Scarcity)。这三条恰好是 Superpowers 最重度使用的。

"LLMs are parahuman: Trained on human text containing these patterns. Authority language precedes compliance in training data... Commitment sequences frequently modeled."

— persuasion-principles.md 的核心理论假设

LLM 不是从零开始的全新智能体，它是训练数据中人类行为模式的统计提炼。让人类合规的语言，对 LLM 也大概率有效。

§ 02 — Application of Principles

七原则在项目中的逐条应用

如何将心理学原理解构为具体的 Markdown 代码？五条被重度使用，两条被严格禁止。

1. Authority（权威） 最重度使用

人倾向于服从可信赖的专家或合法地位的来源（参考 Milgram 服从实验）。在 Superpowers 中，通过以下方式实现：

  • 命令式语言： YOU MUST write the failing test first. 代替 Consider writing tests first... ("YOU MUST" 在项目中出现 68+ 次)
  • Iron Law 块： 使用大写英文 + 视觉强调，模拟法律条文。例如 NO PRODUCTION CODE WITHOUT A FAILING TEST FIRST
  • 消除例外： No exceptions: Don't look at it, Delete means delete. 消除合理化逃生口。

2. Commitment & Consistency（承诺一致） 重度使用

人会倾向于与自己已经做出的公开承诺保持一致。这是项目中确立操作规范的核心武器：

  • 强制公开宣告： 多个 skill 要求 Announce: "I'm using the [skill] to..."。一旦宣告，偏离就会导致认知失调。
  • TodoWrite 强制跟踪： 把内部任务变成外部可见的 checkbox，防止“差不多就行”的模糊判断。
  • 强制确认： 把承诺具象到物理动作，例如 Type 'discard' to confirm.

3. Scarcity（稀缺） 中度使用

稀缺性增加感知价值，激发损失厌恶。Superpowers 主要在时间维度使用它：

  • 时间窗口强制： NO COMPLETION CLAIMS WITHOUT FRESH VERIFICATION EVIDENCE（过去的验证不算数，必须当下重新跑）。
  • 损失框架： 不说“按规则提高接受率”，而是用 94% 拒绝率的现实激活损失厌恶。

4. Social Proof（社会证明） 中度使用

当人不确定怎么做时，会模仿他人（与自己相似的人）的行为。

  • 通用模式语言： 使用 "Every time" / "Always" 暗示这是普遍规范。
  • 失败模式社会化： 列出借口表本身就是社会证明——“这些借口是被预见的普遍错误”，让 agent 不想成为“那种失败的” agent。

5. Unity（团结） 关键的精细应用

基于“我们是一伙的”产生的合作意愿。这与简单的“喜欢”不同，它更深层稳定。

  • "Human Partner"： 放弃使用 "User"（抽象的被服务对象），改用 "human partner"（平等的合作者）。项目中出现了 50+ 次，用来削弱距离感。
  • 共同目标： Your job is to protect your human partner from that outcome.

6. Reciprocity（互惠） 刻意不用

项目明确避免使用受人恩惠后产生回报的心理。原因：会让 agent 进入表演性的“取悦模式”，且可能导致 agent 在该提出质疑时保持沉默。

7. Liking（喜好） 明确禁止

为了防止 sycophancy（谄媚），项目刻意切断了社交安慰：

❌ "You're absolutely right!"
❌ "Great point!"
❌ ANY gratitude expression
"Technical correctness over social comfort."

这是 Superpowers 与许多 AI 产品的根本分野：优先让 LLM 诚实，哪怕不舒服。

§ 04 — Psychology Mechanics

心理机制深度解析

这些提示工程手法为何有效？背后是认知负荷、决策疲劳与认知失调的管理。

01BRIGHT-LINE
Bright-Line 规则减少合理化
明确分界线（"Always test first"）比软建议（"Test when appropriate"）长效，因为它不需要每次都判断“appropriate 是什么”，从而消除了合理化 (rationalization) 的入口。
02INTENTIONS
实施意图 (Implementation Intentions)
基于 Gollwitzer (1999) 理论，"when X, then Y" 形式的计划比 "I will do Y" 合规率高 2-3 倍。When you encounter ANY bug, invoke systematic-debugging. 让 agent 无需决定何时做，只需识别触发。
03FATIGUE
减少决策疲劳 (Decision Fatigue)
长 prompt + 复杂规则会导致决策疲劳。而 Authority 语言 (YOU MUST) 实际上剥夺了决策权，反而减轻了 LLM 注意力资源的消耗负担。
04DISSONANCE
认知失调与自我一致性
当 agent 公开宣告了 I'm using brainstorming skill 却直接跳去写代码，就会与其自身声明产生冲突。这不是外部惩罚，而是内部失调驱动行为修正。
05ANTI-RATIO
Anti-Rationalization 三层防线
预期并列出借口 → 配对逐条反驳 → 元规则封堵 ("Violating letter IS violating spirit")
§ 05 — Empirical Evidence

项目内的实证验证线

心理工程不是事后添加的解释，它是从项目第一天起就贯彻的代码迭代逻辑。

2025-10-09 22:10 · e3e02fe
项目第一天引入说服心理学
Add persuasion research foundation and enforce TDD for skill edits。这是 persuasion-principles.md 的诞生，证明其为设计基础。
2025-10-21 · f6ee98a
首次针对“合理化”进行加固
Strengthen using-superpowers skill against agent rationalization。标志着反制 LLM 找借口思想的系统成型。
Git History 反向证据
“温和化”尝试的失败回滚
项目曾尝试弱化部分 Authority 措辞，但实测发现这导致 agent 更容易跳过流程，随后这些“温和”的 commit 被果断回滚。
§ 06 & 07 — Ethics & Comparisons

伦理护栏与领域定位

说服技术天然有滥用风险（Dark Patterns），透明度测试是区分“操作”与“指导”的分水岭。

Cialdini 的透明度测试标准：“如果用户完全理解这些技巧，这是否真正符合他们的利益？”

合法应用 (通过测试)
确保关键实践被遵守
用 Authority 强制 TDD，因为用户希望代码质量好；用 Commitment 强制日志，因为用户希望过程透明。
非法应用 (未通过)
取悦或操纵
用 Liking 让 agent 取悦用户，用 Reciprocity 制造虚假感激，或创造虚假紧迫感。

这反映了一种“严父式”AI 哲学——不取悦你，但直接指出错误并帮你成长。

Superpowers vs 其他范式

比较领域 传统方法 / 概念 Superpowers 的方式
传统 Prompt Eng 关注输出格式与消除幻觉。 关注行为合规，抵抗合理化，形成伙伴关系。
UX Dark Patterns 隐藏意图，利用弱点获取私利。 机制全公开 (CLAUDE.md)，目标与用户完全对齐。
Constitutional AI 在训练阶段修改模型权重。 在推理阶段通过 prompt 触发已有行为模式。
RLHF 教导模型服从人类偏好的新行为。 激活已被 RLHF 训练好的“服从权威”回路。
§ 08 — Practical Guide

设计新 Skill 的 5 个问题

在撰写新的规则文件时，如何正确使用这些心理学武器？

1
What type is it?

明确技能分类：Discipline (纪律) / Guidance (指导) / Reference (参考) / Pattern (模式)。对于参考类文档，应该完全不用说服技巧。

2
What behavior am I trying to change?

明确旨在防止哪种具体的失败（例如：防止写码前不写测试，防止不看上下文就猜测）。

3
Which principle(s) apply?

纪律类倾向于 Authority + Commitment；协作类倾向于 Unity + Commitment。

4
Am I combining too many?

不要把 7 条全用上。“过度说服”反而引发逆反与僵化。

5
Is this ethical?

它通过了透明度测试吗？如果是公开的，用户会感激这个机制吗？

原文

源链接