把一个模糊需求丢进对话框，几秒后得到一段结构完整、语气稳妥的回答。这种体验很容易让人产生一种错觉：问题已经被处理了。可真正的工作往往从这一刻才开始——前提是否成立，约束有没有漏掉，结论能不能被验证。
流畅不等于可靠
大语言模型的基本工作方式，是根据上下文预测接下来更可能出现的词句。它擅长把语言组织得像样，也擅长沿着已有材料做归纳、改写和扩展。但“像样”与“可靠”之间隔着一段距离。模型给出的内容可能逻辑顺滑，却在某个不起眼的前提上偏了；也可能因为问题本身含糊，转而用一个看似合理的答案填补空白。
这不是说它没有用。写初稿、整理会议记录、把零散要点归成清单，这类任务对语言组织能力要求高，对绝对精确的要求相对可控，模型能节省不少时间。问题在于，人容易把“省时间”误认为“省判断”。
它不知道你没说出口的部分
很多失误并非来自模型“能力不够”，而是来自输入里缺失的上下文。一个组织内部的术语、一个项目此前踩过的坑、一句“这次先不要动预算”的临时约束，如果没有写进对话，模型只能按常见情况推测。它不会天然知道哪些信息对你关键，也不会主动停下来问“这里是不是还有别的条件”。
所以，使用大语言模型时，追问本身就是提问的一部分。第一轮回答更像一面镜子，照出你表达里的空白。看到不对的地方，别急着换一个模型，先把缺失的约束补上：目标是什么，读者是谁，哪些内容不能改动，遇到不确定时应该标注而不是编造。把要求写得具体，能减少来回试错。
把校验放回流程
判断一段输出能不能直接用，可以看三个地方：它依赖的前提是否明确，关键结论是否有可核查的来源，错误一旦发生代价有多大。对于低风险、可回退的任务，比如头脑风暴、措辞润色，可以放宽；对于要对外发布、进入决策或影响他人权益的内容，人工复核不能省。
- 让模型复述它理解的任务，先对齐再动笔。
- 要求它区分事实、推断和建议，不确定处直接说明。
- 把长任务拆成小步骤，每一步都保留可检查的中间结果。
这些做法并不神奇，只是把原本属于人的思考重新放回桌面。大语言模型可以压缩表达成本，却不能替人承担判断责任。它答得越快，我们越需要慢一点确认：问题问对了吗，材料给全了吗，结论经得起回看吗。