改稿会上,编辑把一段由大语言模型生成的初稿投到屏幕上。句子顺,结构也完整,读起来几乎没有磕绊。问题恰恰在这里:太顺了,顺到大家先讨论措辞,而不是先问这段内容到底要解决什么。
这不是工具本身的错。生成速度快,会改变讨论的起点。以前写作者先搭骨架,读者看到的是半成品;现在屏幕上一开始就是“像样”的文本,审阅者容易把注意力放在局部润色上。我的判断是,使用大语言模型时,先慢下来的地方不该是句子,而应该是问题本身。
先问清楚:要的是答案,还是可检查的推理
一个具体做法是把需求拆成两层。一层是任务:写什么、给谁看、需要多长。另一层是约束:哪些信息必须保留,哪些判断不能替读者做,哪些地方需要标明不确定。很多人只写任务层,然后抱怨输出空泛。空泛常常不是模型不会写,而是输入里没有足够的边界。
也要承认,这类模型擅长补全语言形式,不等于擅长确认事实。它可以把一段模糊想法整理得更像文章,却未必知道这段想法在现实里是否成立。因此,涉及具体信息时,把它当作草稿工具比当作取证工具更稳妥。审阅者要看的不是句子是否圆润,而是每个判断能否回到可核验的来源。
速度带来的盲区
速度会制造一种错觉:既然初稿来得快,修改也应该快。实际改稿时,真正耗时的是判断。比如一段文字读起来通顺,但它可能悄悄替换了原意,或者把限定条件删掉了。生成越流畅,这种偏移越不容易被一眼看见。
我在处理这类文本时,会把“读一遍”拆成几种不同的阅读:先只看事实和限定词,再看段落之间有没有跳跃,最后才看语气和节奏。这个办法不新,只是面对这类文本时更有必要。因为它给出的文本往往没有明显的断裂感,读者容易顺着它的语言往前走,忘了停下来问一句:这句话的依据在哪里?
边界感比技巧更耐用
大语言模型适合处理语言层面的整理,比如把会议记录改成通顺摘要,把零散要点归并成段落,或者提供几种表达路径。它不适合在没有外部信息的情况下替人做事实判断,也不适合把责任转移给一段看起来很完整的文字。使用者的边界感,决定了工具在流程里的位置。
回到最初那个改稿场景。后来我们把屏幕上的初稿放到一边,先重新写了三行需求:读者是谁,必须保留哪两个信息,哪些结论不能下。再让它按这三行重写。输出没有变得更花哨,但讨论终于回到了内容本身。
这或许是一个更现实的期待:不把大语言模型当作答案机器,而是当作一面能把问题照得更清楚的镜子。镜子不会替人走路,但能让人看见自己站在哪里。