大模型“防御性话术”泛滥的技术成因与工程治理

一、现象：当缓冲词成为句子的骨架

在将大语言模型接入实际业务流程时，许多开发者会遇到一类高度一致的现象：模型的输出本身语法正确、态度礼貌，却几乎不承载可执行的判断。典型表征是大量出现“不能证明”“不足以说明”“不能仅凭”“并非……而是……”“不代表”“不意味着”“尚不能断定”等缓冲性否定表达，并且这些词不是出现在段末作为免责声明，而是被前置、穿插、层层包裹，成为句子的骨架。

这与早期“在结尾加一句免责声明”的模式有本质区别。免责声明是后置的、可剥离的；而骨架化的缓冲词与论证结构耦合在一起，剥离之后就只剩空洞的主干。对于查资料、梳理论证、写文稿、搭方案、做推演这类真实工作负载而言，这种输出形态直接导致三个后果：结论模棱两可、判断不敢落地、素材被反复稀释。用户没有收到明确拒绝，却也无法直接使用任何一段内容，只能逐段手动改写、重新提炼、反复校正，大量时间消耗在与模型表达习惯的对抗上。

本文不针对任何具体产品做评测，而是把这一现象抽象为通用技术问题：为什么对齐后的模型倾向于过度防御？在工程上如何约束、引导并治理这类输出？下面从成因分析到落地实践依次展开。

二、成因分析：防御性话术从哪来

2.1 对齐训练中的保守性偏好

经过人类反馈对齐的模型，其优化目标中包含“避免给出错误或误导性结论”的强偏好。在标注与偏好排序阶段，含糊但不错的回答往往比明确但可能出错的回答获得更高评分。这种偏好被模型内化为一种稳定的表达策略：先否定前提、再稀释确定性、最后给出无倾向的表述。从模型视角看这是风险最小化的理性选择，从用户视角看则是信息密度的大幅下降。

2.2 不确定性表达的过度泛化

模型对“不确定性”的表达能力是必要的，问题在于触发阈值过低。当任务本身并不要求学术级严谨（例如整理资料、梳理逻辑、起草方案草稿），模型仍然套用高严谨场景的话术模板。这属于能力泛化方向错误：把“该谨慎时谨慎”泛化成了“任何时候都谨慎”。

2.3 缺乏可验证的输出契约

多数交互没有明确约定输出的结构与判定标准。模型无法判断“这里需要一句结论”，于是默认选择最安全的表达。没有契约，就没有约束；没有约束，防御性话术就是默认解。

2.4 纠错反馈的短期性

当用户明确指出“不要堆砌限定词，直接给可用内容”时，模型通常会在当轮道歉并调整，但下一轮又回到默认策略。这说明单轮自然语言反馈只影响局部上下文，无法改变模型的稳定行为倾向。指望通过反复提醒来“训练”模型，是把工程问题当成了沟通问题。

三、工程治理：三层约束方案

治理思路是把“表达风格”从模型的自由选择，转变为由外部契约约束的确定性行为。可分三层实施，逐层加固。

3.1 第一层：提示词契约（Prompt Contract）

不要用“请直接回答”这类模糊指令，而要给出可判定的输出规范。关键是让模型明确“结论”与“限定条件”在结构上分离。

你是技术方案助手。输出必须严格遵循以下结构：
1) 结论：一句话给出明确判断或推荐方案，不加缓冲词。
2) 依据：列出支撑结论的关键事实或推理步骤，最多 5 条。
3) 风险与边界：集中列出不确定性与适用条件，每条以“【边界】”开头。
4) 下一步：给出可直接执行的动作项。
约束：
- 第 1 部分禁止出现“不能证明/不足以/并非/不代表/不意味着”等缓冲表达。
- 不确定性只能出现在第 3 部分，不得渗透到第 1、2 部分。
- 若信息确实不足，在第 1 部分直接写“信息不足，建议补充 X”，而不是用限定词包围全文。

这一契约的核心是把“不确定性”结构化隔离到固定区块。模型仍然可以表达谨慎，但谨慎不再污染结论区。实践中这一层通常能消除大部分骨架化的缓冲词。

3.2 第二层：解码与后处理约束

提示层不可能百分之百稳定，需要工程侧兜底。

（1）缓冲词检测与拦截。 维护一个可配置的词表（如“不能证明”“不足以”“不代表”“不意味着”“尚不能”等），对输出做正则扫描，命中即触发重写或降级处理。

import re
HEDGE_PATTERNS = [
    r"不能(证明|仅凭|简单|据此)",
    r"不足以(说明|推导|判断)",
    r"(并非|不代表|不等于|不意味着|不构成|不保证)",
    r"尚不能",
]
def hedge_ratio(text: str) -> float:
    hits = sum(len(re.findall(p, text)) for p in HEDGE_PATTERNS)
    sentences = max(len(re.split(r"[。！？]", text)), 1)
    return hits / sentences
def enforce(text: str, threshold: float = 0.3) -> str:
    if hedge_ratio(text) > threshold:
        raise ValueError("hedge density too high, regenerate with contract")
    return text

（2）结构化输出校验。 若采用 JSON 或固定小节输出，可在解析阶段校验字段完整性：结论字段非空且不含缓冲词、边界字段允许自由表达。校验失败则携带失败原因重新请求，形成自动重试闭环。

（3）温度与采样策略。 对结论类任务适当降低采样随机性，可减少模型“来回找补”的概率；但这只是辅助手段，不能替代契约约束，因为防御性话术主要来自策略偏好而非随机性。

3.3 第三层：反馈闭环与评测

把“输出可用率”变成可度量指标，才能持续治理。

• 人工校正耗时：统计每千字输出的人工改写时长，作为核心成本指标。
• 缓冲词密度：按上文 hedge_ratio 统计，设定阈值告警。
• 结论可执行率：抽样评估输出中“可直接采纳的动作项”占比。

将上述指标接入回归测试集，每次调整提示词或更换模型版本后重跑，避免行为回退。这比“发现问题就提醒模型”可靠得多——反馈必须落在工程资产上，而不是停留在对话里。

四、常见误区与改进建议

误区一：靠反复提醒纠正风格。 单轮反馈只改变当前上下文，不改变稳定倾向。正确做法是把要求固化为契约模板，作为系统提示长期携带。

误区二：把所有限定词一刀切删除。 不确定性表达本身是必要能力，问题在于位置和密度。治理目标是隔离而非消灭：结论区零缓冲，边界区充分表达。

误区三：只做后处理不做前置约束。 纯后处理会破坏语义连贯性，删词之后句子可能不通。前置契约加后处理校验的组合，成本更低、效果更稳。

改进建议： 对任务做分级。事实核查、合规审查类任务保留高严谨表达；方案草稿、资料整理类任务启用强契约模式。把“严谨等级”作为请求参数显式传递，让模型的行为与任务风险匹配，而不是一律按最高谨慎等级输出。

五、小结

防御性话术泛滥不是模型的“态度问题”，而是对齐偏好、触发阈值、缺乏契约与反馈短期性共同作用的结果。工程上的解法是把表达风格外部化为可校验的契约：用结构化提示隔离结论与边界，用检测与校验做兜底，用可度量指标做回归。这样输出的内容才能从“悬浮在半空的观点”变为“可直接写进材料、推进落地的结论”，把开发者从逐段剥离缓冲词的重复劳动中解放出来。