会议室白板还留着上一轮的箭头，同事把三页零散笔记推过来：“让大语言模型整理成纪要。”几分钟后，输出看起来齐整，却把两个待定事项写成了结论。问题未必在模型，而在递过去的东西：谁说了什么、哪些只是提议、哪些已经确认，笔记里并没有交代清楚。
这类落差很常见。人们期待一个对话接口直接理解业务，实际使用时才发现，它擅长在给定材料里重组语言，不负责补齐未说出口的背景。把它当搜索引擎，容易失望；把它当一位需要清晰简报的协作者，反而更接近可用。
先看材料能不能支撑结论
我习惯在打开对话框前做一件笨事：把任务改写成一句可检验的话，比如“根据以下记录，列出已达成共识的事项和仍待确认的问题，并分别标注依据句子”。这句话不优雅，却把输出从“像纪要”拉回“可核对”。大语言模型在这里的价值，不是替人拍板，而是把散乱表达压缩成可复读的结构。
输入质量常被低估。材料里混着情绪、重复和隐含指代，输出也会继承这些模糊。与其反复雕琢提示词，不如先删掉无关段落，补上时间、角色和约束。提示词像便签，贴得再多，也不能替代一份干净的原始材料。
上下文要组织，不是堆满
有人以为把全部文档塞进对话就能得到可靠答案。上下文变长，注意力却未必平均分配；相互矛盾的段落放在一起，输出可能只抓住其中一种说法。更稳妥的做法是先分层：任务说明放前面，关键事实单独列，参考资料标明来源和日期，再把需要判断的冲突点明确写出来。
这时，大语言模型更像一个对指令敏感的编辑，而不是知道全部背景的专家。它可以帮忙归纳、改写、对照，但前提是人先把“以什么为准”说清楚。若材料本身没有共同口径，再长的上下文也只是把分歧搬进输出。
把复核留在流程里
真正进入工作流后，问题会从“能不能写”变成“谁来签名”。会议纪要、需求草稿、对外说明，责任并不会因为工具参与而转移。我的做法是把任务拆成可回退的小段：先让它提取事实，再由人确认；再让它组织语言，最后检查语气和承诺边界。中间任何一步发现材料不足，就回到源头补，而不是继续加提示词。
- 输出是否引用了输入中没有的信息？
- 待定事项有没有被写成确定结论？
- 关键数字、日期和角色是否逐条核对？
- 对外文本里的承诺，是否经过责任人确认？
这些检查不新鲜，却决定了大语言模型在具体场景里是帮手还是负担。它的边界并不神秘：材料不足时会补得流畅，指令含糊时会猜得合理，而责任始终留在使用它的人这边。下一次把笔记递过去之前，先花两分钟标出结论、待定和依据，往往比换一个更长的提示词有用。