让LLM输出更人性化是错误的抽象层级

判断AI工具的文化与舆论风向，我最看重三个信号：X平台、GitHub上的热门项目，以及Hacker News论坛。

最近这类信号里出现了一个趋势：人们开始给AI模型添加「我有注意力缺陷多动障碍（ADHD）」这类人设技能，或是要求AI遵循《ASD-STE100简化技术英语》的格式输出内容。

我理解这种需求的吸引力——没人喜欢大语言模型（LLM）输出内容时的啰嗦和怪异风格，但我认为靠「拟人化」来解决问题，找错了优化方向。

问题出在：这些格式要求并非在模型完成任务后再应用，而是直接融入了任务本身。如果要求AI用短句、避免术语、信息点不超过负荷、只保留核心内容，本质是让它在输出过程中持续将信息压缩到低带宽格式里。

这种压缩是有损的。

你可能察觉不到丢失了什么，因为最终输出读起来依然流畅通顺。

ASD-STE就是个典型例子——它听起来相当合理，原本是为了让技术文档对人类读者而言表意明确。但AI智能体不是人类技术撰稿人，它生成的原始内容往往是信息密度最高的形态。与此同时，「遵循格式风格」和「完成任务目标」「正确调用工具」「保留抽象逻辑」「不破坏现有系统」这些要求被混在了同一指令列表里。

当智能体之间开始交互时，这种矛盾会变得更荒诞。

子智能体排查完Bug，把结果整理成一份通俗易懂的人类可读摘要；父智能体读完这份摘要，再为你生成另一份通俗易懂的人类可读摘要。

如果子智能体跑了6项测试，我不想看到这样的结果：

大部分测试通过，仅发现一处需关注的问题。

我想要的是：

5/6 PASS
FAIL: test_cache_invalidation
CAUSE: stale key survives restart
REPRO: tests/cache_test.py:184

更关键的是，拟人化会掩盖故障。

智能体的故障往往是「有用但丑陋」的：矛盾的证据、未闭合的分支、堆栈追踪信息、不确定的假设。而人类的书面语擅长把这些问题粉饰成一句：

此处存在若干需要考量的因素。

听起来温和多了，但我宁愿直接看到智能体在幻觉输出，或是接近token窗口上限的预警，也不想被这种话术蒙混过去。

我们构建的其他所有系统，逻辑都是反过来的：数据库不会以仪表盘的展示格式存储数据，编译器不会把中间表示（IR）做得易于阅读，API不会传递友好的总结性内容。

我们会尽可能保留最高保真度的原始数据，只在「人类需要读取」的边界环节进行格式转换，但AI工具的发展却在越来越多地反向操作。

需要明确的是，我并非反对无障碍适配或个性化需求。

如果你想要三句话以内的回答，或是符合简化技术英语的内容，完全没问题！只是我认为这类处理应该放在最后一步。

让智能体保留详细的原始状态，让子智能体之间传递结构化数据、差异对比、精确错误信息、置信度和来源记录，最后再为我压缩成可读格式。

有意思的是，这些走红的AI人设技能，或许恰恰指向了正确的未来方向。

用户现在是在提示词层面打补丁，但这类功能本应属于更底层的技术栈。

「像跟ADHD患者说话那样跟我沟通」作为渲染层功能完全合理，但作为智能体的运行指令就很荒谬。更可持续的模式应该是：智能体的原生语言是精准的、面向机器的状态数据，只有在对接人类的边界环节，才生成温暖、简洁的拟人化版本。

所以说，这些热门项目不是最终答案，而是一份「Bug报告」。