上一节我们建立了认知基础——理解了AI为什么会错、自信不代表准确、信任不是二元的。这一节，进入实操层面：怎么校验？

方法论框架的核心是：把"直觉式校验"升级为"系统化校验"。你不是凭感觉去猜AI有没有错，而是有一套可重复执行的标准流程。

一、校验分级体系

不同风险等级的任务，用不同强度的校验策略。这是整个框架的基石。

L1 — 快速抽查（对应低风险任务）

适用场景：头脑风暴、文字润色、邮件草稿、初稿构思

L2 — 关键事实核查（对应中风险任务）

适用场景：文案、报告初稿、数据分析、翻译

L3 — 逐条交叉验证（对应高风险任务）

适用场景：产品规格、合同条款、预算报告、对外发布的正式材料

💡 分级的意义

分级不是为了省事，而是为了把精力花在刀刃上。如果你对每一条AI输出都用L3校验，你会累死，而且会失去用AI的效率优势。如果你对所有输出都用L1校验，你迟早会翻车。关键是对号入座。

二、自我批判引导法

AI不会主动告诉你"我不确定"，但你可以通过追问让它暴露自己的不确定性。这是最实用的技巧之一。

三种追问模式

追问一："你的把握有多大？"

直接问AI对某个结论或数据的确定程度。虽然AI给出的是一个"模拟"的信心值，但当你追问时，AI往往会调整语气，给出更真实的信号。如果它说"中等把握"或"这个数据存在争议"，你就知道该查了。

追问二："你的依据是什么？"

让AI给出支持结论的依据。如果AI编造了来源或无法给出可靠的依据，它自己会暴露。注意区分"看起来有道理"的依据和"可验证"的依据。

追问三："如果错了，最可能错在哪里？"

这是最有价值的一个追问。让AI自我审视自己的输出，找出最薄弱的部分。AI往往能准确指出自己最可能出错的地方——因为它"知道"自己在哪些信息上不够确定。

实战场景：你让AI分析某公司的市场数据，它给了你一个结论和几个数字。你追问："这个结论最依赖哪些假设？如果其中任何一个假设不成立，结论会怎么变？"AI可能会说"如果增长率数据不准确，整个估值模型都会偏移"——好，那你就知道该去核实增长率了。

三、交叉验证法

同一件事从不同角度问AI，如果结果矛盾，说明AI在这个问题上不可靠。

同模型交叉

用同一模型，换一种问法。如果两次回答逻辑一致、事实吻合，可信度较高。如果两次回答有明显出入，说明AI在这个问题上不稳定，需要外部核实。

跨模型交叉

用不同AI模型问同一个问题。不同模型在训练数据、架构、参数上都有差异，如果它们对同一问题的回答高度一致，可信度大幅提升。如果答案矛盾，说明这个问题本身存在争议或不确定性。

📌 实战提示

交叉验证不需要每次都做。只有当你遇到以下情况时才启动：①输出影响重大决策；②你对输出有直觉上的"不对劲"感；③AI在自我批判追问中表现出高度不确定。

四、溯源与引用检查

AI最擅长的事情之一就是编造来源。它会像模像样地引用一篇论文、一本书、一个网站——然后你去找，发现根本不存在。

怎么辨别AI编的来源

建立你的可信源清单

针对你的业务领域，维护一个"我信任的信源列表"：

AI引用的来源，如果不在你的可信源清单上，先核实再引用。

一句话规则：如果AI给你一个来源，而你30秒内找不到它，默认它不存在。

小结

方法论框架可以浓缩为四步操作流程：

  1. 定级：判断任务风险等级 → 选择L1/L2/L3校验策略
  2. 追问：用自我批判引导法，让AI暴露自己的不确定性
  3. 交叉：对关键信息做同模型或跨模型交叉验证
  4. 溯源：检查引用来源，不在可信清单上的默认不存在

这套流程不是每次都要走完。关键是把"定级"这一步养成习惯——知道自己正在处理什么风险等级的任务，然后按对应的策略执行。

· · ·

— 第二节完 · 下一篇：实战技巧库 —