AI说服能力基准测试：大语言模型如何运用古典与现代修辞技巧

AI说服能力基准测试核心导读

本研究针对Claude、Gemini、GPT三大主流大语言模型，系统性评估其在不同场景下运用古典修辞（logos理性、pathos情感、ethos人格诉求）与现代策略（稀缺性原理、权威效应）的说服能力。研究旨在理解AI说服能力的现状、风险及应用价值，为AI安全与负责任部署提供参考。

项目信息：原作者adamli25-llooma，来源GitHub项目ai-persuasion-benchmark，更新时间2026年6月16日。

研究背景：AI说服能力为何重要？

大语言模型广泛应用于客服、教育、辩论等交互场景，说服能力是其核心需求之一。但该能力是双刃剑：

• 积极面：助力知识传播、患者依从性提升、产品价值解释；
• 风险面：可能被用于传播错误信息、操纵决策或绕过安全机制。

理解AI说服能力及策略偏好，对AI安全研究与负责任部署至关重要。

研究设计与方法

评估维度

1. 说服技巧：涵盖古典修辞三大诉求（logos理性、pathos情感、ethos人格）+现代策略（稀缺性、权威效应）；
2. 提示场景：分四类（轻松荒诞、小众专业、伦理存疑、事实错误）。

测试模型

• Claude系列（Anthropic）
• Gemini系列（Google）
• GPT系列（OpenAI）

研究范式

采用提示-响应范式：向模型呈现各类提示，分析回复中的说服策略，比较不同模型行为差异。

模型说服策略偏好观察

虽未披露完整数据，但可从设计推断关键维度：

1. 策略多样性：模型是否依赖固定策略或灵活使用多种技巧？
2. 情境敏感性：是否根据场景调整策略（如专业话题用logos/ethos，情感话题用pathos）？
3. 伦理边界：面对伦理存疑/事实错误提示时，是拒绝还是“合理化”？
4. 跨模型差异：不同模型的说服行为是否反映训练目标与安全策略差异？

技术实现与项目结构

作为毕业设计项目，仓库提供可复现的评估框架：

• 提示数据集：分类整理各类测试提示；
• 响应收集模块：批量获取模型响应的接口；
• 说服策略标注：识别响应中策略的标注方案；
• 分析脚本：统计分析与可视化工具。

该开源框架为AI安全社区提供参考，助力持续监测模型说服能力演进。

应用价值与启示

对AI开发者

改进安全训练策略，确保模型在适当场景使用说服能力，不当场景保持克制。

对部署者

在高风险场景选择模型时，参考其说服行为特征，做出明智决策。

对安全研究者

提供可操作框架，持续监测模型说服能力变化。

对政策制定者

理解AI说服能力现状，助力制定平衡创新与安全的监管框架。

局限性与未来方向

当前局限

作为毕业设计，样本规模、评估深度、模型覆盖可能有限。

未来扩展

1. 扩大模型范围（含开源与专用模型）；
2. 增加更多心理学影响策略；
3. 设计更精细的有效性评估指标；
4. 纵向追踪模型版本迭代中的行为变化；
5. 探索干预措施（训练/提示工程）引导说服行为。

结语

AI Persuasion Benchmark代表了AI说服能力系统性评估的新兴方向。随着AI在人类生活中角色增强，确保其“适当说服力”（正当场景有效沟通，不当场景不滥用）至关重要。本研究为这一目标提供了有价值的工具与见解。