会议室里，一位同事让模型解释上一轮回答的依据。它给出几条看似整齐的理由，语气笃定。但把同一段材料换一种问法，理由又变了。这不是模型在故意遮掩，更像是它在即时组织一段听起来合理的叙述。
“解释”可能只是另一种生成
大语言模型的核心能力，是从上下文中预测接下来更可能出现的词句。它擅长把零散信息拼成连贯文本，却并不天然拥有一份可追溯的推理日志。所谓自解释，往往仍是生成：根据问题、上下文和训练中形成的模式，产出一段关于“我为什么这样说”的说明。这段说明可能有用，却不应被当成内部过程的直接录像。
这不意味着解释毫无价值。它能帮人发现遗漏的假设，暴露论证中的跳跃，甚至提示更好的追问方向。问题在于，我们太容易把流畅当成可靠，把语气确定当成证据充分。
把输出放回可核验的地方
日常使用中，一个更稳妥的习惯是：让模型给出可检查的线索，而不是要求它给出最终裁决。比如，请它列出回答依赖了哪些前提，哪些部分属于推测，哪些表述需要回到原始材料确认。对于代码或文本任务，可以要求它把改动点拆开，再逐段对照。这样做不是迷信流程，而是把注意力从“它说得多像”移到“哪些地方能验证”。
大语言模型在摘要、改写、头脑风暴等场景里很顺手，因为这些任务允许人保留判断。到了需要责任归属、事实精度或复杂取舍的环节，模型更适合做草稿和陪练，而不是最后签字的人。这个边界并不新鲜，只是随着输出越来越像样，人更容易忘记。
使用者也要练习“反着问”
有时，模型的第一版回答只是顺着提问者的语气走。换一个立场追问，或者要求它给出反例，往往会看到不同的侧面。与其问“你说得对吗”，不如问“在什么条件下，这个说法会不成立”。前一个问题容易得到安抚式回应，后一个问题更可能逼出边界。
- 先让模型复述任务目标，确认它没有漏掉限制条件。
- 要求它把事实、推断和建议分开写，方便逐项核对。
- 对关键结论追问来源类型，而不是只接受一个肯定答复。
- 保留自己的判断，不把多轮对话中的流畅感当作证据链。
说到底，大语言模型带来的便利，和它带来的轻信风险常常同时出现。把它当作一位反应很快、知识面广但需要复核的协作者，可能比把它当作答案机器更接近实际。解释可以听，但别急着全信；先看哪些部分能被材料、逻辑和现实反馈接住。这样用，模型才更像工具，而不是回声。