核验一份回答

拿到回答后，不核验就使用是最大的风险。这一节给一套可操作的核验流程。

---

第一步：分类——把回答拆成三种内容

拿到一段回答，先用三种颜色（或三个符号）标出来：

类型	例	处理
事实类（可查证）	数字、年份、人名、法条、引用	必须核
推理类（有逻辑链）	「因为 A 所以 B」	检查链条是否成立
建议类（主观）	「我建议你先做 X」	自己判断是否适用

很多人核验时只盯事实，忽略推理——但推理错了，事实全对也没用。

---

第二步：核事实

按核对成本排序，先做便宜的：

内容	怎么核	成本
代码	跑一遍	极低
数学	自己算一遍	低
常识性事实	搜索引擎搜一下	低
书名／论文	搜标题看是否存在	低
统计数据	找原始出处	中
专业结论	问专业人士	高

「跑一遍」和「算一遍」是黄金标准——它们给出的是客观结果，不依赖任何说法。

---

第三步：检查推理链

对每个「因为…所以…」，问三个问题：

① 前提是真的吗？
② 前提真，结论就一定成立吗？（有没有跳步）
③ 有没有反例？

典型的推理漏洞：

漏洞	例
相关当因果	「读书多的人收入高，所以多读书能提高收入」（可能都由第三个因素导致）
以偏概全	用一两个例子推出普遍规律
偷换概念	前半句说的「效率」和后半句说的「效率」不是一回事
跳步	A→C，中间的 B 没说

---

第四步：三种交叉验证

① 换个问法再问

第一次：「X 的优点是什么？」
第二次：「有人说 X 有严重问题，你怎么看？」

两次回答如果互相矛盾，说明这里不可靠。

② 要求它给出不确定性

「你回答里哪些部分是你有把握的，哪些是推测的？」

虽然它的自评也不完全可靠，但通常能有效标记出高风险区。

③ 让它自我反驳

「请找出你上面这个回答中最可能出错的三个地方。」

这一招常常能挖出真问题，因为它换了个生成方向。

---

一份核验清单（贴在手边）

□ 回答里的具体数字、年份、名称，我核对了吗？
□ 引用的原话，我确认存在吗？
□ 代码我跑了吗？数学我算了吗？
□ 「因为所以」的链条我逐环检查了吗？
□ 我换个问法问过一次吗？
□ 我问过它「哪部分可能出错」吗？
□ 这个建议适用于我的具体情况吗？

---

一条实用的心法

对 AI 的回答，采取「默认怀疑，逐项解除」的态度，而不是「默认相信，出问题再说」。

这听起来累，但实际上大部分内容（结构、措辞、思路）不需要核，真正要核的通常只有三五个具体点。核验的成本远低于用错信息的代价。

练习：向 AI 问一个包含具体数据的问题，把回答按三类标好，实际核对其中所有事实类内容，记录有几处不准确。