Noor在一次爭執後給 Eli發了短訊。然後又發了一次。第三次。不是生氣——而是焦慮。我們還好嗎？我說錯什麼了嗎？你只要告訴我我們沒事就好。

Eli 看到短訊堆積，胸口一緊。他也不是生氣。只是現在就要用“完全正確”的话回復讓他大腦一片空白。他把手機放下。等有話可說時再回復。

Noor 看到沉默。螺旋開始了。

這就是他們的循環。Noor 靠近，Eli 退後，Noor 更用力靠近，Eli 退得更遠。沒有人是錯的。沒有人想傷害對方。他們只是說著不同的情感語言——而這種誤解正慢慢消耗著他們。

他們來找CouplesGPT，並不是因為哪裏壞了，而是想明白為什麼總會走到這一步。“其實沒什麼問題，”Noor 說，“我們只是想更好地理解彼此。”

這是最好的理由。

他們看不見的模式

在各自的一對一訪談中，同樣的動態從不同角度浮現。

Noor：“有時候我需要的安撫比他給的多。比如他安靜一會兒，我就開始懷疑是不是哪裏不對。”

Eli：“我們可能節奏不一样。我需要時間消化，他就想馬上把一切都說開。”

兩人都沒把這當成問題。Noor 說自己“有時候有點多”，Eli 說他“更喜歡獨處”。他們默默適應、調整、偶爾衝突，卻始終沒明白原因。

當他們一起參加伴侶會談時，這個循環在現場再次上演。CouplesGPT 問，當 Eli在爭執後變得安靜時會發生什麼。

Noor：“說實話，這讓我很焦慮。腦子裡會想最壞的情況。他一安靜我就開始想，是不是我搞砸了，他是不是生氣了，我要不要說點什麼。”

Eli：“這反而讓我更想後退。不是因為生氣，就是覺得有壓力要說對的話，然後我就卡住了。”

答案就在這裏。同一個時刻，兩個人卻像經歷了完全不同的緊急狀況。Noor 的“沉默=危險”神經回路遇上了Eli 的“壓力=關閉”神經回路。每個人的應對方式都觸發了對方的警報系統。

CouplesGPT 用通俗的話點明了：“你們陷入了一個循環：你們為了讓自己感到安全而做的事，恰好讓對方感到不安全。”

Noor 問了一個改變會談的問題：“這些模式有名字嗎？這是個常見現象嗎？”

練習環節

CouplesGPT 帶他們做了一次依戀風格探索——不是測驗，不是性格測試，而是一系列情境，幫助雙方發現在關係壓力下各自的真實反應。

**情境一：**你們剛爭執過。你的伴侶去了另一個房間。你會怎麼做？

Noor：“我胃裡一沉。會立刻回想爭執的內容。我是不是太強勢了？他是不是在重新考慮一切？幾分鐘後我可能會跟過去，因為未知讓我很難受。”

Eli：“我只想去做點別的。不是逃避問題，就是讓情緒冷靜下來。情緒沒那麼激烈時我能想得更清楚。”

**情境二：**你的伴侶對周末計畫似乎不太熱情。你會怎麼想？

Noor：“說實話我會受傷。為什麼他不期待和我共度時光？我可能會過度補償——安排更有意思的活動，更努力。”

Eli：“說實話我會有點煩。其實我當然想去，只是累了。我也不知道怎麼表達才不會變成一場討論。”

**情境三：**你的伴侶分享了脆弱的心事。你的本能反應是什麼？

Noor：“我會想回應他，也分享自己的感受，建立連結。”

Eli：“我很在意他說的內容。但我會有壓力要說得很完美，結果反而說得更少。”

僅憑這些回答——沒有標籤，沒有理論——CouplesGPT 就精準描繪了他們的動態。

Noor 的模式：當關係變得不確定時，他會主動靠近。更多短訊、更多言語、更多靠近。這不是“黏人”，而是因為沉默對他來說真的很危險。他成長於一個熱鬧、喧嘩的家庭，安靜就意味著有事發生。這種神經回路不會因為成年後理智知道沒事就自動關閉。

Eli 的模式：當情緒變得強烈時，他會遠離。不是冷漠，而是過載。他很在乎，但要在第一時間給出情感回應讓他大腦短路。他需要撤退、整理思緒、再回來。撤退不是拒絕，而是自我調節。

CouplesGPT 清晰地指出了碰撞點：“你們都沒錯，只是說著不同的情感語言。Noor 透過言語和靠近尋求安撫——當這些缺失時，他的警報響起。Eli 需要空間和時間處理——當被打斷時，他的系統就關閉。痛苦在於，你們應對壓力的本能反應恰好觸發了對方的警報。”

適合一則短訊的解決方案

解決辦法不是徹底重塑溝通方式，而是兩句話。

Eli：“我只是需要一點時間，不要覺得是在考驗你。如果我說需要緩一緩，希望他能相信我會回來。”

Noor：“我只需要一個小小的信號。哪怕只是發條短訊說‘我在，只是需要一點時間’，一切都會不一樣。”

CouplesGPT 稱之為“安全協議”——一個小小的、主動的信號，在循環開始前就打斷它。當 Eli 需要空間時，他發一條短訊：“需要緩一緩，不是生氣。”Noor 收到後就信任這個信號，給 Eli 空間——不再追發短訊，也不再五分鐘後去確認。

這是一個微小的行為變化，卻有巨大的關係意義。對Noor 來說，這個信號填補了空白——他不用再猜測沉默是憤怒還是被拋棄。對Eli 來說，這個協議意味著他的空間請求不會引發質問——他可以安心撤退，無需內疚。

兩人都接受了，因為它解決了真正的機制。Eli 不用隨時給出情感確定性，Noor 也不用在莫名的沉默中煎熬。協議為空間加上了注釋：我安靜了，但我還在這裏。

我們做錯了什麼

我們需要談談代詞。

在練習過程中，CouplesGPT 用“她”和“她的”指代Noor——一位男性，同性關係，性別在訪談中已明確。雖然不是全程如此，但確實發生了，這很重要。

任何被誤用性別的人都懂那種感受——無論是疏忽、假設還是系統錯誤。一個小詞，傳遞著巨大的訊息：我沒看到你。我對你有先入為主。我沒認真對待你。

在治療環境下，這種訊息尤其伤人。CouplesGPT 的核心理念就是看見你——你的模式、你的需求、那些你自己都難以表達的東西。當系統用錯你的代詞時，這一理念在最基本層面被破壞。如果連這個都做不好，怎麼能信任它處理更難的部分？

我們向團隊詢問後，得到的答復很坦誠：開發時關注點在於關係動態——依戀模式、溝通循環、治療對話本身。在這種專注下，這個基本環節沒有得到應有的重視。不是故意忽略——但也沒有被優先考慮。而影響並不在乎動機。

現在，這已成為首要任務。不是“以後修復”，不是“已知問題”腳註，而是清單最頂端。

承諾很直接：CouplesGPT 會用應有的細緻對待代詞。當用戶的代詞已知——無論是訪談、資料、伴侶的稱呼——系統都會始終如一、正確使用。如果仍有錯誤，正確的代詞會被立刻記錄，並持續使用，直到用戶另有說明。不做假設，不設預設，不讓錯誤悄然過去。

如果讓人覺得自己被忽視，再好的治療也毫無意義。

我們做對了什麼

暫且把代詞問題放一邊——我們並不輕視它，但在一次整體表現出色的會談中，它是個例外——練習本身效果非常好。

情境發現優於測驗。 沒有問“你覺得自己是焦慮型還是迴避型？”（大多數人答不準），而是讓雙方置身具體情境，讓反應自然顯現。無需自我診斷，依戀風格從行為中浮現。

個性化而非教科書式。 CouplesGPT 融入了伴侶真實生活的細節——他們相識的遊戲之夜，Eli 不經意泡的咖啡，Noor 熱鬧的家庭裡沉默就代表有事。依戀理論不是抽象概念，而是直接對應到他們的關係。

非病理化表達。 沒有任何時刻說某一方“有問題”或需要“修正”依戀風格。始終溫暖地表達：“這些不是缺陷，而是你們出於很好的理由發展出的模式。現在它們碰撞了。”

零成本的解決方案。 安全協議——“需要緩一緩，不是生氣”——無需治療、無需練習冊、無需定期關係檢查。就是一條短訊，五秒鐘的努力，直接針對讓雙方痛苦的機制。

懂得適可而止。 安全協議建立後，CouplesGPT 就結束了會談。沒有深挖童年創傷、原生家庭、依戀理論講座。對於首次探索，這種克制恰到好处。以後有時間深入，第一次會談只需洞見和工具。

焦慮-迴避型陷阱

Noor 和 Eli 的經歷在關係研究中有個名字：焦慮-迴避型陷阱。這是最常見、最痛苦的伴侶動態之一，僅靠意志力很難打破。

研究（Mikulincer & Shaver, 2007；Hazan & Shaver, 1987）顯示，大約20%的成年人偏向焦慮型依戀，另有25%偏向迴避型。這兩種風格常常配對——因為焦慮型伴侶的溫暖最初讓迴避型感到踏實，迴避型的穩定最初讓焦慮型感到安全——蜜月期很美好。問題出現在壓力來臨時，雙方回到各自的應對模式。

焦慮型的警報系統把距離解讀為危險。他們的反應是拉近距離——更多聯繫、更多尋求安撫、更多情感強度。迴避型的警報系統把情感強度解讀為過載。他們的反應是拉開距離——更多空間、更多撤退、更少情感投入。每個人的解決方式正好是對方的問題。循環自我強化。

最痛苦的是，雙方都是出於愛。Noor 追 Eli 不是控制，而是因為沉默讓他害怕，靠近讓他安心。Eli 撤退不是不在乎，而是系統被淹沒，空間讓他恢復到能再次在場。

解決辦法不是讓某一方改變，而是雙方都學會對方的語言。Eli 的撤退需要注釋：“我走了，但我會回來。” Noor 的追逐需要翻譯：“我不是想逼你，只是需要知道我們沒事。”

安全協議正是這樣。它是兩種情感操作系統之間的翻譯層，各自對威脅的處理方式不同。

這次實驗的意義

這是我們迄今得分最高的測試，代詞錯誤也是其重要意義之一。

依戀練習有效，情境式方法奏效，解決方案實用且立刻可用。這對伴侶離開會談時，對關係中一直感受卻說不清的東西有了根本理解。

而一次代詞失誤提醒我們：技術再優秀，如果讓人覺得自己被忽視，也毫無意義。

幫助人們理解最深層的關係模式很難。而要做到同時始終尊重他們是誰——性別、身份、最基本的存在事實——本不該更難。但顯然，這才是最需要刻意關注的部分。

我們現在正給予它應有的關注。

資料來源

延伸閱讀

本文基於CouplesGPT持續開發中的內部研究。情境採用了設定行為參數的虛擬角色。姓名和細節均來自測試設計，並非真實用戶。