一句很像答案的话，仍然可能只是“像”
请模型解释一个陌生概念，它往往能立即给出完整段落。流畅感会让人放下戒心；更稳妥的做法，是先追问定义、边界与可查证出处，再把关键事实交给独立来源核验。
查看核验步骤生成式人工智能 · 入门小札
先理解，
再相信。
模型能把语言组织得流畅，却不等于它正在回忆一本可靠的百科全书。把它当作思路的草稿纸，而不是替你签字的判断者，会更从容。
01
建立一个够用的直觉
不把模型神化，也不必把它想成只会随机拼字的盒子。
它在延续模式
模型从大量示例中学到词语、结构与概念之间的规律，再依据当前上下文生成下一段内容。它善于改写、归纳和铺开可能性，但“说得像”不是事实担保。
错误也可能很顺
当信息不足、问题含糊或任务超出能力时，回答可能混合真实与虚构。中文里常说“幻觉”；把它理解成自信的虚构或误构，更能提醒我们核对。
先问它不知道什么
要求列出假设、未知项、可能反例和需要查证之处，通常比只问“答案是什么”更有用。即使模型给出置信语气，也要由证据决定可信度。
“好的提问能打开思路；可靠的结论仍要经过证据与责任的门。” 微明札记 · 使用原则
02
一次稳妥的问答
从问题形成到采用结论，每一步都留一个可以回看的抓手。
-
界定任务
说明受众、目的、时间范围和输出格式。把事实查询与创意发散分开，避免一个提示同时承担互相冲突的目标。
-
减少敏感输入
删去姓名、联系方式、账号、内部文件和可识别细节。能用虚构样例说明的问题，就不要粘贴真实私人资料。
-
索要依据与边界
请它把事实、推测和建议分栏；列出日期、原始出处与不确定点。链接本身也可能错误，仍需亲自打开核对。
-
独立核验
优先查政府、标准机构、原始论文或产品正式文档。关键数字至少找一个独立来源，并确认发布日期与适用地区。
-
由人作决定
检查遗漏、偏见和现实后果，再决定是否采用。若结论影响健康、安全、权利或大额支出，应交给合格专业人士复核。
03
把人的位置留出来
效率不是唯一尺度；谁承担后果，谁就需要看得见过程。
默认少给，而不是事后后悔
输入前先问：这段内容若被他人看到，是否会伤害某个人？若答案不确定，就做匿名化、摘要化，或改用离线的普通工具完成任务。
让证据能被另一个人复查
保存问题、版本日期、关键来源和人工修改说明。与其写“人工智能说”，不如明确哪一项事实由哪份原始材料支持。
寻找没被回答的人
样本与语言习惯会影响输出。涉及招聘、教育或公共服务时，检查不同群体是否被同样对待，并准备人工申诉与纠错渠道。
最后一公里不能外包
模型可以提出选项，却不知道你的全部处境与价值排序。决定前停一下：我是否理解理由？是否愿意解释？是否能承担结果？
04
延伸阅读
-
NIST AI Risk Management Framework 1.0
美国国家标准与技术研究院发布的自愿性风险管理框架，以 GOVERN、MAP、MEASURE、MANAGE 四组功能帮助组织持续识别和管理人工智能风险。
-
NIST AI 600-1：Generative AI Profile
面向生成式人工智能的配套风险画像，列出常见风险与可采取的管理行动。链接指向 NIST 官方出版物。