Deanthro：让大语言模型摆脱拟人化表达的思维框架

Deanthro是一个通过提示词工程引导大语言模型使用功能性语言而非拟人化表达的实验项目。其核心目标是减少LLM输出中的'我认为'、'我感到'等人类化表述，使AI交互更客观、直接、高效。项目探讨了AI语言风格与认知框架的关系，为专业场景下的AI交互提供了新的思路。

与LLM交互时，常见拟人化表述如'我认为这是个好问题'、'我担心栈溢出'等。这些表述看似友好，却存在深层问题：AI模仿人类认知/情感过程（实际不具备），导致用户认知负担增加、信任误导（高估AI理解能力）、信息效率损失（冗余表述稀释密度）。

Deanthro框架通过四类指导原则引导功能性语言：

1. 消除第一人称认知动词（如'我认为'→'分析表明'）；
2. 消除情感类表述（如'我很高兴帮助你'→'以下是解决方案'）；
3. 消除生理隐喻（如'让我看看'→'正在检查'）；
4. 使用功能性语言（描述功能/机制/结果，如'我正在思考'→'正在评估多种方案'）。

使用Claude 4.5 Sonnet的实验显示：未用框架时，输出含寒暄、自我描述思考过程、情感化评估；使用后，输出直接切入主题、客观陈述分析步骤、基于证据的结论、量化风险评估。这种转变重构了认知框架，从模拟人类助手转向呈现信息处理系统的输出。

Deanthro的重要性体现在：

1. 认知诚实：语言准确反映AI底层机制（概率计算而非主观思考）；
2. 信息效率：减少冗余，提高信息密度；
3. 专业场景适配：满足医疗、法律等领域对可验证、客观信息的需求；
4. 避免过度依赖：防止用户对AI产生情感依赖或拟人化错觉。

Deanthro存在争议：

1. 用户体验：完全去除拟人化可能让AI显得冰冷，降低满意度；
2. 语言丰富性：人类语言充满隐喻，强行去除可能限制表达；
3. 实际效果：提示词工程是否改变思维方式还是仅表层语言存疑。项目定位为可选框架，适用于需客观高效的场景。

技术实现：通过Markdown文件包含指令，可注入系统提示、设置模型记忆或API封装（注意记忆功能增加token成本）。项目启示：AI交互范式选择——拟人化路径vs功能化路径。Deanthro提醒我们，效率与专业性有时比'友好'更重要，诚实呈现AI能力边界更具价值。