把一份没定稿的方案丢给模型,几秒后拿回一版结构齐整的文字,这种体验已经很难让人兴奋。真正让人犹豫的时刻,出现在把它推进业务流程之后:输出看着都对,却没人能立刻说清它对在哪、错在哪。
通顺是最容易做到的部分
语言模型的强项是接续。半成的想法能补成完整段落,零散的记录能理成条理。问题在于,通顺和正确之间没有必然联系。一段读来毫无磕绊的文字,可能建立在一个被悄悄换掉的前提上。
人写稿会卡壳,卡壳的地方常常就是没想清楚的地方。模型不卡壳。它把犹豫抹平,也把犹豫背后的信息一起抹掉。审稿的人因此少了一条线索:这里本来该有问题。
上下文窗口装得下文件,装不下默契
面对AI大模型,很多人的第一反应是喂更多资料。但企业里决定一份材料能不能用的,往往是没写进任何文档的东西:这条线以前踩过坑,那个口径不能随便改,某个说法对外讲过一次就得一直圆下去。
这些隐性约束只能靠人补。可行的办法不是写更长的提示词,而是把它们拆成几条明确、可核对的规则,生成时对齐,复核时有据可依。规则越具体,越不像“发挥”,结果反而越稳。
评估没法外包
模型给出的答案对不对,取决于拿什么标准去量。标准含糊,评估就会退化成“读着还行”。动手之前,有几个问题值得先写下来:
- 这条输出最终交给谁看,他关心的是结论、口径还是依据;
- 错了会怎样,是改一句话,还是要重新走一遍流程;
- 哪些部分必须能追溯到原始材料,哪些可以接受合理改写。
把这几问答清楚,比反复调提示词有用得多。也正是在这一步,AI大模型的能力边界才变得可见:它能压缩表达的成本,压缩不了判断的成本。
把人工回路留在关键处
完全自动和完全不自动,都是省事的选择。更现实的做法是分段:起草、改写、归类这些环节可以放手,定调、定口径、对外承诺这些环节得有人签字。
人在回路里的角色,不是校对错别字,而是在关键节点上做一次不可省略的停留。停留的时间不必长,但它必须存在,否则错误会顺着流程一路滑到最后一环才被发现,那时改起来最贵。
工具越顺手,越容易让人忘记自己正在做判断。留一条人工回路,不是不信任技术,是承认有些东西还没被写进上下文里。