Divination by Prompt: LLM-Mediated Xuanxue on Chinese Social Media

本文通过一项系统的混合方法研究，探讨了中国玄学文化中由大语言模型（LLM）介导的占卜现象，揭示了用户如何通过协作式提示工程与确认偏误利用人工智能获取实用性指导，以及专业占卜师如何拒绝其精神有效性，并最终通过可扩展、可重复且共同生产的实践模式重塑传统的占卜权威。

要点

核心观点：AI 即数字神谕

想象一个世界，你不再需要去昏暗帐篷里找算命先生，也不再需要翻阅塔罗牌，只需向聊天机器人输入一个问题。这正是中国目前正在发生的事情。年轻人正在使用大语言模型（LLM）——也就是那些能写论文、写代码的同类 AI——来询问他们的感情生活、职业前景，甚至是游戏运势。

研究人员将其称为 “LLM 中介的玄学”。“玄学” 是一个流行的网络术语，它像一把巨大的伞，涵盖了从古代占星术到现代神秘主义的一切内容。这项研究是首个系统性观察人们如何将 AI 作为“数字神谕”使用的研究之一。

运作机制：“提示词工程师”成为新一代算命师

在过去，你需要付钱给大师来解读你的命运。而今天，用户承担了大部分工作。你可以把 AI 想象成一块非常聪明、但又非常空白的画布。在你告诉它如何作画之前，它并不知道你的命运。

• 神奇的提示词（Magic Prompt）： 用户不会只问“我会找到工作吗？”他们会编写复杂的指令，例如：“你是一位精通古代八字命理的大师。这是我的出生数据。请根据严格的传统规则分析我的职业路径。”
• 协作式调试（Collaborative Debugging）： 如果 AI 给出的答案太模糊，用户并不会放弃。他们表现得像软件工程师在“调试”魔法一样。他们会调整问题的措辞，尝试不同的表达方式，或者要求 AI 重试，直到答案听起来“对了”为止。
• 开源魔法： 在社交媒体上（特别是类似 Instagram 的小红书），用户会免费分享他们的“获胜提示词”。这就像是一个社区食谱，每个人都分享自己用来从 AI 那里获得精彩结果的精确配方。

为什么人们这样做？两个主要原因

研究发现，人们使用 AI 占卜主要有两个原因，且两者往往相互交织：

1. “潮流好奇心”路径： 它免费、便捷，而且人人都在谈论。这就像尝试一个新的病毒式挑战舞蹈。人们问一些傻问题只是为了看看 AI 会说什么，更多是将此视为一种有趣的互动游戏，而非严肃的仪式。
2. “缓解焦虑”路径： 当生活变得令人不安时（比如等待考试成绩或担心分手），人们会转向 AI 寻求慰藉。即便他们并不完全相信 AI 具有魔力，它也充当了一个心理支柱。它让他们觉得不再孤单，并在混乱的世界中获得了一种掌控感。

他们相信吗？“准确性”的错觉

研究人员分析了超过 23,000 条评论，发现，在有观点的人群中，大多数人都认为 AI 的准确性惊人地高。但这是为什么呢？

• 巴纳姆效应（星座效应）： AI 非常擅长撰写模糊、讨好或具有普适性的陈述（例如：“你拥有隐藏的领导天赋”）。用户随后会观察自己的生活，然后想：“哇，这简直就是我！” 他们自己填补了信息的空白。
• 追溯性确认： 如果 AI 说的话碰巧实现了，用户就会高喊：“它灵验了！”如果 AI 说错了，他们通常会归咎于自己问的问题不对，或者说：“这个 AI 需要更好的提示词。”他们很少责怪系统本身。
• “灵气”之争： 专业的人类算命师认为 AI 是假的，因为它缺乏“灵气”或“灵魂”。他们辩称，真正的占卜需要人类之间的连接，而这是计算机无法拥有的。然而，许多用户并不在意，他们只想获得快速、廉价的答案。

“科学与魔法”的共舞

一个非常有趣的发现是，用户如何处理“AI 只是数学”与“AI 可以预测未来”之间的矛盾。

• “大数据”借口： 一些用户说：“既然 AI 阅读了整个互联网，那么它自然了解人类命运的模式。”他们将占卜视为一个数学问题。
• “科学止步，魔法开始”的借口： 另一些人则说：“科学无法解释一切，所以 AI 正在触及一些科学尚未破解的更深层的东西。”
• 结论： 大多数人很乐于生活在这种中间状态。他们将 AI 视为一种自我反思的工具，而非水晶球。他们使用“科学”标签让这件事显得现代且安全，同时使用“魔法”标签让它显得有意义。

总结

本文认为，利用 AI 进行占卜并不是人们正在丧失理智，也不是技术正在接管世界。相反，它表明了人类天性具有极强的适应能力。

正如人们过去通过茶叶或塔罗牌来应对焦虑和不确定性一样，现在他们使用的是聊天机器人。技术改变了，但人类对于指引、慰藉和掌控感的渴望始终如一。AI 只是这一古老人类习惯的新载体。

本文并未声称：

• 它并未声称 AI 真的可以预测未来。
• 它并未建议这是一种治疗焦虑的医疗手段。
• 它并未声称这会完全取代人类算命师（事实上，人类算命师正通过声称 AI 缺乏“灵魂”来进行反击）。
• 它并未预测这将如何改变社会长期走向，仅描述了目前正在发生的情况。

技术摘要

技术摘要：提示词占卜：中国社交媒体上的大语言模型中介化“玄学”

问题陈述
大语言模型（LLMs）的快速普及引入了一种全新的文化实践：利用对话式人工智能进行占卜。虽然“算法占卜”（如在线塔罗或占星应用）自互联网早期时代便已存在，但大语言模型的出现标志着一种方法论上的转变。不同于预设程序和菜单驱动型的算命工具，大语言模型允许流动的、多轮的对话以及定制化的提示词工程（prompt engineering），从而有效地创造出一种高度互动、共同生产的“神谕”。本文研究了这一现象在中国社交媒体特定的“玄学”文化背景下的表现。玄学原指新儒家或道家的一种形而上学流派，现已演变为一个互联网原生的统称，涵盖了神秘主义和精神实践（占卜、占星、民间信仰等），这些实践在当代中国青年群体中复兴，成为寻求慰藉和社会连接的来源。本研究探讨了用户如何出于占卜目的与大语言模型互动，他们如何构建并评估这些 AI 生成解读的权威性，以及这一实践如何重塑占卜的社会组织形式。

研究方法
本研究采用混合方法设计，对新兴的大语言模型中介化占卜现象进行系统分析：

1. 大规模社交媒体分析： 作者抓取了小红书（中国主要的社交媒体平台）的数据，目标关键词为“DeepSeek 玄学”。选择这一特定查询是为了捕捉国产大语言模型 DeepSeek 的流行度与使用“玄学”这一隐晦表达（以规避平台针对“迷信”内容的审查）之间的交集。

   • 语料库： 最终数据集包含截至 2025 年 4 月 10 日发布的 232 条帖子和 23,340 条评论（包括嵌套回复）。
   • 编码： 采用了混合方法，利用 DeepSeek-V3.1 作为自动化编码器（因其卓越的中文自然语言处理性能而被选中）将评论分为三个维度：主题分类（11 个类别）、态度倾向（5 级信度量表）以及提示词交换（关于分享提示词的二元变量）。人工编码员对 224 条评论的子集进行了验证，实现了高水平的评分者间一致性（Cohen's Kappa > 0.90），并确认了 LLM 具有中等至高度的一致性（Fleiss's Kappa > 0.60）。
   • 纵向检查： 一个补充性的目的性抽样阶段（2025 年 4 月至 12 月）通过筛选 25 篇高参与度帖子和 192 条评论，用以验证模式的持续性。

2. 半结构化访谈： 作者对两个不同群体进行了 32 场深度访谈（每场 30–45 分钟）：

   • 用户（n=26）： 使用过 DeepSeek 进行占卜或积极参与相关讨论的个人。
   • 从业者（n=6）： 对 LLM 工具有一定了解的专业人类占卜师（塔罗、八字等）。
   • 重点： 访谈探讨了使用习惯、感知效力、对比视角（AI vs. 人类）以及 LLM 如何整合进专业工作流。

核心结果

• 务实动机与主题： 用户主要为务实问题而非抽象的精神探求进行咨询。最频繁的主题包括通俗数术（易经、八字）、情感关系、学业/工作/考试结果以及游戏（特别是“抽卡”）。这些咨询映射了当代中国青年的主要压力源，反映了他们在高风险领域管理不确定性的渴望。
• 双重参与路径： 参与受两条交织路径驱动：
  1. 趋势驱动的好奇心： 病毒式传播的可见度和零成本获取鼓励了实验行为。许多用户将 LLM 视为一种娱乐或心理慰藉的低门槛工具，并不持有深层的超自然信仰。
  2. 事件驱动的焦虑： 特定的高风险不确定性（如考试、感情危机）驱动用户寻求清晰感和掌控感，这符合人类学关于占卜作为应对机制的传统观点。
• 协作式提示词工程： 一个显著特征是“协作式提示词优化”文化。用户积极扮演提示词工程师的角色，通过分享、调试和完善输入模板来优化结果。这使用户从被动的观察者转变为神谕的积极共同生产者。
• 感知效力与验证：
  • 正向偏倚： 在表达明确立场的用户中，感知的效力呈现正向偏倚。“准确性”通常通过传记契合度（biographical fit）和回顾性确认（巴纳姆效应和确认偏误）得到辩护。
  • 验证实践： 用户采用了严谨的验证策略，包括重复试验（检查多次对话之间的一致性）和跨模型比较（在 DeepSeek、Gemini、ChatGPT 等模型之间进行结果三角互证）。
  • 专业怀疑论： 人类占卜师大多拒绝 LLM，认为其缺乏必要的“灵力”或“能量”（本体论承诺），并将 LLM 视为经济边界工作的工具。他们通常批评 LLM 无法执行基础任务，如准确的“排盘”。
• 认识论张力： 用户在科学与形而上学的框架之间游走。一些人将 LLM 占卜界定为“科学的”（基于算法、大数据）以使其合法化；而另一些人则主张“科学的终点是玄学”，将形而上学置于当前科学理解之上。大多数用户容忍这种模糊性，将此实践视为一种灵活的解释工具。

核心贡献

1. 系统性记录： 本文提供了首个关于 LLM 中介化占卜的系统性研究，记录了用户如何为了精神目的与生成式 AI 进行互动的具体机制。
2. 理论整合： 它将占卜的人类学理论（工具性 vs. 非工具性功能、认知进化方法）与人机交互研究相结合。文章指出，LLM 占卜在保留传统实践核心认识论和社会功能的同时，从根本上改变了其社会组织形式。
3. 权威转移： 研究强调了占卜权威从专业从业者向网络化用户社区的转移。零成本、可重复性和提示词驱动的定制化能力，使得用户能够共同生产神谕，挑战了人类专家的垄断地位。
4. AI 时代的验证： 研究识别了 LLM 背景下独特的验证策略，如跨模型三角互证和迭代提示词调试，这些策略构成了评估不透明 AI 系统可信度的日常实践。

意义与主张
本文主张，LLM 占卜不仅是一种新奇现象，更是一种针对新中介技术进行的认知工具性策略的持久适应。研究表明：

• 连续性： 尽管技术底层发生了变化，但核心逻辑保持不变：用户在不确定条件下咨询这些系统，并基于感知的工具性有效性赋予其输出真实的认识论价值。
• 转型： 技术重塑了占卜权威的构建方式。权威不再仅仅源于从业者的“灵力”，而是通过社区通过工程化提示词和跨模型验证输出的能力而分布。
• 心理与社会影响： 该实践提供了低成本的情绪支持和控制感，但也引入了对已知心理偏差（巴纳姆效应、确认偏误）的脆弱性，并可能使将重大决策外包给自动化系统的行为常态化。
• 认识论的流动性： 用户并不严格遵循“科学 vs. 迷信”的二元对立，而是利用一个灵活的认识论框架，根据语境通过算法权威和形而上学共鸣来使 AI 输出合法化。

作者总结道，虽然 LLM 占卜保留了传统实践的功能核心，但它引入了可扩展性和可重复性，从根本上改变了精神实践中的信任、验证和权威动态。该研究呼吁进行长期的跨文化研究，以理解这一新兴现象的长期行为后果。