周报写到一半,光标停在一句“推进顺利”后面。手边的记录并不完整:一场会、几段零散笔记、两处待确认的时间。把材料交给大语言模型整理,几秒后就能得到结构清楚、语气稳妥的版本。省事是真的,麻烦也在这里——读起来顺,不等于内容成立。
它把话说圆,未必知道话是否成立
大语言模型的工作方式,大体是在上下文中预测接下来可能出现的词句。这种能力让它在压缩、改写、归类和拟提纲时显得顺手,但它并不天然掌握事实核验。一句看似合理的表述,可能来自语言习惯,而不是对现实的确认。企业写作里,把“可能”写成“已经”,把“待确认”写成“已完成”,风险往往就藏在顺滑的句子里。
我更愿意把它看作一台文字整理机,而不是自动决策者。它可以帮忙把会议记录变成待办清单,把散乱要点归入主题,把过长段落改得易读;涉及数字、时间、责任人和承诺范围,仍要回到原始记录逐项对照。这里的分寸不是信任或不信任,而是可追溯:这句话从哪里来,依据哪条记录,改动发生在哪一步。
提示词之外,还要设计校验动作
很多人把精力放在提示词上,反复调整语气、格式和角色设定。提示词有用,但它只解决“怎么问”。真正影响结果的,是“怎么查”。例如要求先列不确定项,再输出正文;把涉及事实的句子单独标出;保留原始材料的编号或位置。这些动作听起来笨,却能把大语言模型从一次性答案机拉回到工作流里。
- 先给材料,再给任务,避免让模型凭空补全。
- 让它区分“材料中写明”和“根据上下文推测”。
- 输出后追问:哪些结论缺少依据?
- 对外发布前,保留人工复核节点。
边界感会变成一种写作能力
使用大语言模型写东西,真正需要练习的是边界感。哪些段落可以交给它打草稿,哪些判断必须自己下;哪些信息适合放进上下文,哪些材料不应交给外部系统。工具越顺手,越需要知道停在哪里。它能让文字更快成形,但责任、口径和事实底线,仍要由人来守。