一种之于万物皆可：LLM 投资建议中的启发式崩溃现象

大型语言模型日益被部署于高风险领域的顾问角色——回答医学问题、解释法律文件、推荐金融产品——在这些场景下，良好的建议需要综合用户的完整背景信息，而非仅作用于显著的表面特征。我们调查前沿大语言模型是否确实做到这一点，或是否表现出启发式崩溃现象：即将复杂、多因素决策系统性地简化为少数占主导地位的输入。我们在投资建议领域研究此现象，其中法律标准明确要求对客户完整情况进行个体化推理。通过对 LLM 输出应用可解释的替代模型，我们发现存在系统性的启发式崩溃：投资配置决策主要由自报告风险容忍度决定，而其他相关因素贡献微弱。我们进一步发现，网络搜索部分缓解了启发式崩溃，但未能根本解决。这些发现表明，启发式崩溃并非通过网络搜索数据增强或模型规模 alone 就能解决，部署 LLM 作为顾问需要审计输入敏感性，而不仅仅是输出质量。