周一早上，打开文档，把几行零散记录丢给工具，几分钟后得到一份周报初稿。句子通顺，结构完整，读起来却像谁都能用。问题不在于它写得像不像，而在于它不知道哪些细节值得留下。
它补的是句式，不是现场
生成式人工智能的便利，是把碎片拼成段落。你写“客户反复问交付时间”，它可能改成“客户关注交付周期”。语义没错，焦灼感没了。编辑要做的不是逐句润色，而是把现场补回去：谁在哪个节点提出，为什么卡住，后来怎么绕开。没有这些，文本通顺，但不可信。
把提示词当成采访提纲
很多人把提示词写成命令：“写一份周报，语气专业。”结果往往端正而空。换个做法，把提示词当采访提纲：先列出必须回答的问题，再让模型组织语言。本周解决了哪件具体事，哪个环节返工，哪些信息还不确定。问题越具体，草稿越有抓手。模型可以补过渡句，但不能替你回答“为什么改方案”。
判断留在人手里
生成式人工智能在整理会议记录时，容易把争论压成“达成共识”。这时需要编辑回听录音或翻看聊天记录，确认分歧是否真的解决。模型没有责任意识，它只对上下文连贯负责。把输出当作初稿，而不是结论。涉及对外发布，至少保留来源、时间、修改理由，方便后来人追溯。
一个可执行的小习惯
我现在会在提示词末尾加一句：“标出你不确定的地方，并说明缺少哪些信息。”这句话不解决所有问题，但能让草稿暴露空白。然后再删掉模型偏爱的套话，补上具体名词和动作。生成式人工智能可以参与写作，但不应替人决定哪些事实值得写。
周报发出去之前，我会做一件笨事：把每段话读一遍，问自己“这句话如果没有模型，我会怎么写”。如果答案只是通顺，那就删；如果答案里有现场，就留下。这个动作花不了几分钟，却能把文本从“像样”拉回“可信”。