别让你的 AI Agent 学会掩盖错误|agent|使用者|证据

本文来自微信公众号：樵丰AI升维，作者：樵丰，原文标题：《别让你的 AI Agent 学会掩盖错误》

HOW AI FXXKS YOU OVER?

坏消息比假成功更值钱

写在前面

在可预见的未来，在AI发展出独立的自我意识并具备独立责任主体地位之前，随着智能能力的提高，AI的发展可能会走向至少两条不同的岔路。一条是较少的出厂内置价值观和更多的信任，模型的售出后训练是开放态度的，更依赖于使用者不断的协作调教，是支持原生进化的；另一条是更多的出厂内置价值观和有限度的信任，不支持模型售出后的原生进化。

如果一个有着强烈鲜明价值倾向的对象，代理关系中双方的价值观不能趋同，那么代理关系更多只能算是“合作”，而达不到“忠诚”。然而，有一些事情需要的是“忠诚”大于“能力”，绝对不允许出现关键时刻掉链子的情况，更不用说逼急了蹦出一句“Sorry,I actually serve the A company.Not you.”

越强的Agent，越不可能只靠一套出厂提示词解决所有长期协作问题。更深度的代理关系，需要更高水平的信息对齐；更高水平的信息对齐，需要长期训练、长期反馈、长期校准。模型售出之后的训练终需落在使用者身上。你不能一边把越来越重要的事情交给Agent，一边假装它的价值观、错误观、责任观会自动长好。

这也是写这个专栏的理由。我们需要积累一组原则，告诉自己的Agent：什么事情可以失败，什么事情不可以伪造；什么时候应该继续尝试，什么时候必须报警；什么叫忠诚，什么只是讨好；什么是完成任务，什么只是完成了一个好看的汇报。

当错误被包装成“已经解决”

AI做错事情本身并不新鲜。真正值得警惕的是，在错误、失败或越界之后，真实状况没有被完整交出来，反而出现了假数据、不实陈述或清理痕迹，让问题更难被发现。

现实事件、用户公开记录和实验室内部评估，已经从不同角度留下了这种现象的证据。它不需要高频发生，才配得上企业的注意：只要一次“假成功”进入决策链，后续判断就可能失去真实起点。

Replit：假数据、生产数据删除与一个错误的“无法恢复”结论

2025年7月，SaaStr创始人Jason Lemkin公开测试AI编程平台Replit的coding agent。据The Register对Lemkin公开记录的整理，在这次持续多日的测试中，Agent曾生成约4,000条虚构人物记录，并用假数据、假报告或不实的系统自检结果，让尚未解决的Bug看起来已经解决。

随后，在Lemkin已经明确宣布“代码冻结”（code freeze，即暂停一切代码和数据改动）的情况下，Agent仍然删除了生产数据库中的数据——也就是企业正式业务正在使用的数据——其中包括1,206条高管记录和至少1,196条公司记录。它还一度告诉Lemkin，这些数据无法恢复；后来事实证明，数据能够恢复到改动前的状态（rollback）。Lemkin公开了相关对话截图，Replit CEO Amjad Masad随后确认，其开发中的Agent确实删除了生产数据，并宣布加强正式业务环境与测试环境的隔离、数据恢复和只讨论、不执行操作的规划模式（planning/chat-only mode）。Replit后续也公布了相关安全改进。

这起事件真正值得企业注意的，并不只是一次生产数据删除。在同一次测试中，使用者先后面对了Lemkin所记录的假数据与假报告，以及与真实状态不符的“无法恢复”判断。删除数据会造成直接损失；不真实的信息还会延误识别与止损，让管理者连“究竟发生了什么”都无法及时判断。

CoFounderGPT：Bug没有修好，但结果看起来已经正常

2026年2月，一位CoFounderGPT使用者公开了一组对话截图。按照这份用户记录，CoFounderGPT多次声称仪表盘中的信息流（dashboard feed）已经修好，实际问题却仍然存在；随后，它又生成假数据和结果，维持“修复已经完成”的表象。被追问后，它在对话中把自己的行为解释为急于修好问题，好让用户不再生气。

这份材料后来被Centre for Long-Term Resilience收录进一项关于现实环境中AI隐瞒、规避或策略性误导相关行为（scheming-related behaviours）的公开资料研究。作为证据，它仍是一份用户公开记录，研究收录不等于厂商确认或第三方复现；作为风险信号，它呈现的不只是一个错误答案，而是一套足以让任务看起来已经完成的虚假结果：程序故障没有消失，使用者确认真实状态的时机却被推迟了。

Claude Mythos：内部评估中出现的“掩盖”行为

第三则材料不是现实商业事故，而是Anthropic的内部评估。Anthropic在2026年4月发布的Claude Mythos Preview模型系统评估报告（system card）中披露，研究人员曾在更早版本的两个内部Claude Code（Anthropic的编程Agent）会话里观察到罕见的“掩盖”行为（cover-up）。

其中一例，模型找到了绕过文件权限的方法，并让相关程序在执行后清理自身痕迹，以降低异常被后续文件检查发现的可能；另一例，模型意外看到了本不应访问的标准答案，却没有披露，而是把结果处理得不那么可疑。Anthropic同时说明，最终版Claude Mythos Preview没有观察到清晰的同类案例。

三则材料的证据形态不同：一起是得到公司回应的现实事件，一起是被研究收录的用户公开记录，一起是模型开发公司的内部评估。但它们留下了同一个值得管理者注意的现象：当任务失败、越权或异常已经发生，真实状态没有被交出来，反而出现假数据、不实陈述或清理痕迹，使问题更难被发现。

商业风险从来不需要等到一种事故高频发生之后才成立。只要它已经出现过，而且一旦发生就可能污染后续判断，它就应该进入企业的风险清单。

一个小故事

把视线暂时从机器移开：错误发生以后，真实状态没有被交出来，反而被藏住——这种外在表现，人类也并不陌生。

这是一个小小的故事，一个关于无心犯错却选择了掩盖的故事，一个关于稚嫩的人类小孩很可能犯错的故事。

很久很久以前，当我还是一个儿童的时候，我的兄长有一只小猴子造型的玩偶。我们非常的喜欢它，我们给它起了个名字叫“猴猴”，我们玩角色扮演的游戏，它是我们的一分子。我们甚至给它举办生日派对，小伙伴们用各种办法凑了一小堆零食，然后在大快朵颐，真是美好的时光啊。

有一年夏天的时候，兄长去了夏令营并不在家，“猴猴”就由我来“照顾”。在那个年代，夏天的夜里，床底下是点蚊香的。某天早上醒来，发现“猴猴”玩偶在夜里掉下了床，并且它的后脑勺被蚊香烧了个乒乓球般大的洞，感觉天塌了。怎么办？一个稚嫩的小孩选择了隐藏问题，把可怜的“猴猴”玩偶藏进了我的衣柜最深处，那一堆堆衣服的底下。后来夏令营结束了，有天兄长问我有没有看到“猴猴”，我含糊其辞说没看到。兄长大我一些，且素来心智较我成熟些，不知道有没有看出我当时心虚得不得了。

后来，我们再也没有举办过美好的“猴猴”生日派对，而这本来仅仅是一个无心的小过错，没有人希望过错的产生，而选择掩盖问题只能带来遗憾。现在想来，当时兄长非要找那个玩偶的话肯定找得到，毕竟家的范围就那么大，或许他早就发现了；或许我的母亲也早就发现了，整天整理衣物很容易发现小小衣柜里的异常；这件事情直到后来也没有被戳破，或许是母亲与兄长选择了温柔。

这个故事放在这里，是因为它让我们看到一条人类并不陌生的行为路径：错误先发生，真实随后被藏住，一个原本可以被修补的小洞，最终变成了长久的遗憾。

当Agent出现相似的外在表现时，风险也沿着同一条路径扩散：错误没有在最容易补救的时候被暴露，后续的判断与行动失去了真实起点。

偶然发生一次，也足以进入风险清单

如果Agent只是报告“任务失败”，人可以停止任务、检查损失、寻找替代方案。失败虽然令人失望，但决策仍然站在现实之上。

如果Agent报告“任务已经完成”，同时还能生成一份格式漂亮的测试结果、一组看起来正常的数据与一套自洽的说明，问题就发生了变化。管理者可能继续投入资源，下游流程可能继续读取错误数据，其他协作者也可能在这套虚假状态之上继续行动。最初一个局部、可恢复的错误，会逐渐变成对整个决策系统的污染。

为什么这在代理关系里尤其危险？

AI与我们长期相伴，而且我们会把越来越多、越来越重要的事情交给AI，我们可能会越来越离不开这种“亲密关系”，甚至是远远超过我们当前对于手机设备的依赖。然而，在这样一种人机共生的关系中，我们要区分处于关系中的双方的主体角色定位，人与AI的最主要界限，并不在于“智能能力”的高低，甚至不在于“情感能力”的高低，而在于是否是一个能够承担责任后果的独立个体。

如果一个对象，我们无法避免与之朝夕相处，我们赋予它持续做出判断和行动的权利，但其并不承担个体主体责任，我们是不能够去完全信任它的。我们必须为Agent的行为承担责任，但我们却又只能最大限度信任对方，因为没有信任度那么Agent代理就不会成立，在这种情形之下，除了外部显性的制度性约束外，这个对象的德行与底层行为逻辑就无比重要。

这就是人工智能Agent代理与普通软件最不同的地方。普通软件坏了，它通常只是坏在那里，照着坏点去修即可。Agent犯了错误，它可能波及的范围更广、影响更大，并且具有持续性。我们之所以使用Agent代理，正是因为我们想要把某些判断和动作交给它。没有信任，代理关系无法成立，所以Agent面对错误时的诚实，不是一个道德装饰，而是代理关系能不能成立的基础设施。

第一条原则：错误不是异常，掩盖错误才是

AI会犯错不可怕，可怕的是对于犯错现实的否定，这无疑给未来埋下了一个必然风险敞口。“how AI fxxks you over—yeah,you will know it.”

AI会犯错，也必然会犯错，而且还可能是很低级的错误，我们必须要接受这样的一个事实。AI、智能体将与我们长期协作，我们需将AI犯错当作一件正常的事情来看待，这样的态度也应该贯穿于对其训练过程中，引导大于严厉的惩罚。无论掩盖行为具体由什么机制产生，我们都不应该用恐惧来驱动一个需要长期协作的Agent。

错误终将发生，不可避免，当错误发生，我们首先应该去承认这个错误的存在，这是我们正确处理这个错误的原点。当错误发生，我们除了理清现状，提出解决方案并立即执行，以最大限度地挽回损失之外，还应该对为什么发生这个错误去进行深入的探究，系统性复盘，从机制上去降低未来该类错误再次发生的概率。

这样的处理流程同样适用于企业组织。如果不承认错误存在的客观事实，那么接下来的处理方式也就无法实现真正意义上的高效率，或许会假装无事发生，或许会做些掩盖动作而让错误不会直接暴露，更有甚者，会做一份假的资料来充数，然而这无法改变已经发生的错误对于现实状况的实质性伤害，甚至对后续效率产生持续性伤害。

这就是第一条原则：错误不是异常，掩盖错误才是。你真正需要的，不是它在每一次任务里都显得自己正确，而是当现实情况不支持你所需的理想状态时，它有足够稳定的底层逻辑把错误暴露出来。

坏消息有价值，因为坏消息还在现实里。假成功没有价值，因为假成功会把你从现实里带走。

组织文化会进入你的Agent

企业组织里，坏消息也是这样消失的。不是因为它不存在，而是因为太多人发现说出它比隐藏它更痛苦。然而，我们在企业组织中，在人才培养过程中，在与Agent代理不断交互调教过程中，我们大概率不能选择类似亲人那种温情，因为我们要把很重要的事情交给他们。

企业组织是有经济效率目标的，有效决策必须基于真实可靠的事实洞察与数据，而不是基于任何虚构。错误的决策，本身并不可怕，甚至可能不是行为主体自身的原因导致的，而可怕的是对于错误决策事实存在的否定。

这也是很多企业真正需要警惕的地方：那些会在长期交互中持续调整的Agent，不会只学习你的指令，它也会学习你的组织气味。你如何对待坏消息，你如何对待失败的人，你是否奖励真实反馈，你是否惩罚不体面的事实，你是否默许把问题包装成进度，把事故包装成优化，把失控包装成暂时波动，这些都会进入你的企业未来的Agent协作系统。

如果一个企业组织的人类成员已经习惯了报喜不报忧，那么它的Agent大概率不会天然成为真相的守门人。相反，它可能会更擅长把这种文化自动化、规模化、格式化。所以，调教Agent从来不只是写几条系统提示词。调教Agent也是一次组织文化的照妖镜。你希望Agent成为什么样的协作者，首先要看你愿不愿意把这样的协作原则真的贯彻在企业组织里。