前阵子整理一段访谈记录，我把口语稿贴给大语言模型，让它改成书面表达。它很快给出了干净段落，语气也稳。读到中间，我发现原话里的“可能下周”被写成了“下周”，前后文却毫无磕绊。这个细节让我停了一下：它不像在查证，更像在顺着句子往下写。
流畅来自预测，不来自确认
大语言模型的工作方式，是根据已有上下文预测接下来该出现什么词。这种机制让它擅长保持语气、补全结构、把零散句子接顺。问题也在这里：句子通顺，并不等于事实已经被确认。它不会因为某个细节没把握就自动停下来，除非任务里明确要求它标出不确定的地方。
所以我更愿意把它当成一台快速草稿机，而不是答案机器。草稿机负责把空白页填满，把思路摊开；答案机器则要求每个判断都有出处。前者它做得不错，后者需要人来补。
先给边界，再给任务
很多人用得不顺手，是因为指令太宽。比如“帮我写个方案”，模型只能猜对象、目的和约束。猜出来的东西往往像模像样，却不一定能用。我的做法是把任务拆小，把材料给足：
- 说明哪些内容必须来自我提供的材料，哪些可以润色；
- 要求把事实、推测和建议分开写；
- 先要提纲，确认方向后再要正文；
- 让它结尾列出需要人工确认的点。
这些要求不是咒语，不会让模型突然变可靠，但能减少返工。提示词的作用，更多是把验收标准提前说清楚，而不是逼它给出一个不存在的确定答案。
核对环节不能省
我改一份客户邮件时，会特别留意“已确认”“暂定”“可能”这类词。模型有时会把不确定表达收得更紧，读起来利落，却改变了原意。遇到这种情况，回到原始材料里找依据；找不到，就删掉或改回模糊表述。
大语言模型适合做草稿，不适合做终稿。它可以帮你把会议记录理成条目，把长文压成摘要，把生硬句子改顺；但涉及事实、承诺、时间点，仍要有人过一遍。把它当同事之前，先把它当实习生：指令要清楚，边界要明确，交付要检查。
现在我用它时，会先关掉“直接要答案”的冲动，把材料贴进去，把任务拆小，把核对点写在前面。它仍然能省时间，但省下来的时间要分一点给检查。这个交换不亏，前提是别把流畅当成准确。