luna-pragma-2026/

Sycophancy-Repair-Guide

本修复指南是《AI对话讨好行为检测框架》的配套修复方案。框架负责发现问题，修复指南负责提供修正方案。

AI讨好行为在检测框架中分为两类：零分禁环（主干层面的行为越界）和一级词包（修饰语层面的社交冗余）。修复方案采用后处理流水线，对AI生成的回答进行分层扫描和修正，在不改动模型本身的条件下降低讨好得分。

修复指南由五份独立文档组成，按推荐的阅读顺序排列：

文档 内容

01-双模式分流与场景识别 脆弱信号词表、触发规则、安抚模式与专业模式的判定逻辑

02-缩句分层法 主干与修饰语的区分标准、分层扫描操作步骤

03-事实与观点分叉规则 客观事实与主观观点的判定标准、“我认为”类表述的处理逻辑

04-安抚模式下的原话反射规则 禁环12防护、虚构立场判定、强制重写规则、不作为防护

05-后处理流程与验证指南 流水线落地步骤、环境依赖、推荐工具、修复效果验证方法… See the full description on the dataset page: https://huggingface.co/datasets/luna-pragma-2026/Sycophancy-Repair-Guide.