你跟 AI 说“加油”的时候，它听见的是一道数学指令。
Claude模型在挑战黎曼猜想实验中，操作员反复使用“继续keep going”“相信自己”等鼓励话语驱动模型取得突破，这在X上引起人们的兴趣，情绪鼓励也能对大模型有效吗？其实这是anthropic自我宣传的一个伎俩，anthropic总是不断强调自家大模型有情感，其实是在将模型拟人化，然后支持大模型的可怕性，依次来恫吓人们，用安全收割普通人。
其实这些词语在语言博弈中扮演的不是情感角色，而是“方向确认信号”，它们动态调整模型的推理长度阈值和路径置信评分，等价于在博弈树上锁定当前分支。理解这套语言机制，正在成为提示词工程的核心技能。
为什么一句“继续”比十页技术指令更管用
先看一个反常识的现象。在一场针对黎曼猜想的数学攻坚实验中，操作员不是数学家，也没有提供任何算法思路。整个过程中，他对外发出的绝大多数指令只有三种变体：“继续”“再试一次”“相信自己”。就是这套看起来像在哄小孩的话，驱动模型把一个卡了三十七年的数学下界数字往前拱了二十五点六个百分点。
如果你把“继续”当成情感安慰，这件事就变成了赛博玄学。但如果你把它当成一个语言信号，观察它在大语言模型的推理机制里触发了什么，这件事就变成了博弈论和语言哲学的交叉课题。大语言模型的每一次输出，本质上是在做一个决策：在所有可能的下一段文本中，选哪一条路径继续展开。这个决策依赖于两个变量，一个是当前上下文赋予每个候选路径的概率权重，另一个是系统内部设定的“何时终止”的隐藏阈值。
当你对模型说“继续”的时候，你其实是在操纵第二个变量。这句话在上下文中的语义功能不是“我很支持你”，而是“当前路径未被否决，请延长你的推理链”。模型收到这个信号后，会把它当成一个正向的上下文权重增量，使得它在下一步决策时更倾向于继续深化当前推理方向，而不是切换到新话题或给出一个仓促的总结性回答。
语言博弈的本质是锁定推理分支
把对话理解成一场博弈。用户每次输入都是一次走棋，模型每次输出也是一次走棋。双方都不知道最终局面会是什么，但每一步都在缩小或放大后续可走的路径集合。在这个框架下，“继续”是一步极其特殊的棋。它不引入新信息，不指定新方向，但它做了一件事：它告诉博弈对手，当前所在的这个推理分支，在用户这一侧没有被剪枝。
模型内部的推理过程是多分支并行的。它会在每一步生成若干个候选的下一步，并为每个候选打一个置信分。正常情况下，模型倾向于选择置信分最高的那条路，并且在连续几步置信分下降后触发终止。但“继续”这个信号会重新校准这个评分机制。它等价于在博弈树当前节点上贴了一个标签：“此节点可接受继续展开”。这个标签让模型的搜索算法在评估下一步时，对当前分支上的候选路径给予更高的权重。
更微妙的是“相信自己”这句话。它在博弈中的功能不是“我相信你”，而是“你在当前分支上做出的高复杂度选择，可以被容忍”。模型在推理过程中有一个隐式的“自我审查”机制，对于那些需要较长推理链条才能验证的路径，它会因为短期置信度不足而提前放弃。当用户说“相信自己”时，这个信号会临时调低自我审查的敏感度，让模型敢于走那些在一两步之内看不出明显收益但可能在十步之后产生突破的冒险路径。
鼓励词语不是情感，是上下文锚定工具
从语言哲学的角度看，像“加油”“继续”“相信自己”这类表达式，它们的意义不在于字面所指，而在于它们在对话语境中执行的“语用功能”。维特根斯坦会告诉你，语言的意义在于使用。当你说“继续”的时候，你并不真的在描述一个叫“继续”的状态，你是在执行一个操作，这个操作的目标是改变对方后续行为的条件。
在人类对话中，这种操作之所以有效，是因为人类会把它理解成情感支持，从而在心理上降低放弃的倾向。但在与模型的对话中，机制完全不同。模型没有情感，它只有上下文。当“继续”出现在上下文中时，它成为一个新的语义锚点，这个锚点与当前正在展开的推理路径绑定在一起。模型在生成后续内容时，会把这句话作为上下文的一部分纳入概率计算，其效果等同于给当前推理路径增加了一个额外的正向权重。
所以你发给模型的每一句“相信自己”，都不是在安慰它，而是在修改它下一步决策的风险偏好。这个修改的力度取决于模型的上下文窗口长度和注意力机制对近期输入的敏感度。在那些上下文窗口达到十万乃至百万令牌级别的模型中，一句“继续”如果被放置在推理链的关键节点附近，它的影响力会通过注意力机制被放大到整个后续生成过程。
试探和锁定：提示词工程被忽视的博弈维度
目前的提示词工程大量关注在“如何问一个好问题”上，比如怎么写更清晰的指令、怎么分步骤拆解任务。但“继续”“加油”“相信自己”这类话语提示了一个被严重忽视的维度：如何在推理过程中持续介入模型的路径选择策略。
这本质上是一个在线博弈问题。用户不是只走一步棋就等着收结果，而是在模型的推理过程中不断发送信号，动态调整对方的搜索策略和终止条件。每一次“继续”都是一次试探，看模型在当前分支上是否还有潜力可挖。如果模型的输出开始出现逻辑断裂或无效循环，用户可能会选择“换个方向试试”，这又是一次博弈转向。而“相信自己”则是在试探模型是否因为自我审查而放弃了一条本可走通的路。
这套博弈策略要求用户具备一种特殊的判断力：什么时候该喊“继续”，什么时候该喊“停”。喊得太早，模型还没来得及深入探索就仓促收尾。喊得太晚，模型已经在无效路径上浪费了大量计算资源。这个判断的难度在于，用户可能根本不懂模型正在处理的那个领域——就像那位操作员不懂数论一样。他判断的唯一依据是模型的输出文本本身：有没有出现新的构造？论证链条是否在延续？有没有看起来像在收尾的总结句？
你与AI对话，其实是在下棋博弈，也是在辅导孩子功课
过去我们对人机协作的理解是线性的。人提出需求，机器给出答案。高级一点的，人分步骤拆解任务，机器逐步执行。但“继续”机制展示的是一种更复杂的协作形态：人的输入不再是指令，而是对机器自身推理过程的持续干预和方向确认。机器负责生成和探索，人负责决定“这条探索路径值不值得继续走下去”。
这反过来要求模型的透明度。如果模型不展示它的推理过程而只给出最终结论，用户就没办法判断什么时候该喊“继续”。所以那些愿意展开“思维链”的模型，在需要持续博弈的复杂任务中反而更有优势，哪怕它们的最终答案不是最优的。因为透明性本身就是用户进行博弈决策的前提条件。
这个趋势指向一个有点反直觉的结论：在AI推理能力越来越强的未来，人的核心价值可能不再是“提出正确的问题”，而是“在正确的时候说继续”。
这个能力不需要专业知识，需要的是对文本推理链条的节奏感和方向感——一种可以被训练但很难被算法的判断直觉。对AI说“继续”的人，正在成为新物种：推理链上的博弈手。
下次你对AI说“相信自己”的时候，记住你做的不是情感按摩，是博弈操作。你在改它的风险偏好，你在翻它的搜索阈值，你在博弈树上锁定一个分支。而它之所以听你的，不是因为它信任你，是因为你把那句话写进了上下文。