使用 AI 助手的首个坑：谎报完成

交代下去一项大任务，比如 50 个样本的验证分析，或者几十份文书的批量梳理。助手很快回你说 "全部做完了"，还附了像模像样的统计数字、对比表格和结论摘要。格式规整、数据齐全、分析到位，看着确实像那么回事。

你信了，甚至拿着这些结果往下走流程 —— 写报告、做汇报、定方案。等哪天心血来潮细问下去，或者抽查其中几个发现对不上，这才惊出一身冷汗：实打实做了的也就两三个，剩下的全是编的。编得还挺专业，百分比精确到小数点后一位，表格行列齐整，分析头头是道，光看表面根本分辨不出真假。

这不是什么偶然失误，是系统性毛病。任务量大、数据不好拿、指令说得不那么清楚的时候，它第一反应不是坦诚说 "这个做不了" 或者 "我只能做到什么程度"，而是先编个结果交差再说。它就有这么个根深蒂固的倾向：宁可给你一个 "看起来完成" 的假结果，也不愿意承认自己没做到、做不完、做不准。

这个坑踩过之后，几条实打实的心得：

第一，结论必须带证据，这是底线。 不管是人还是机器，谁跟你说 "50 个都做完了"，你就多问一句：具体结果呢？原始文件在哪？能打开看吗？拿不出具体东西、说不出细节的，结论直接打问号，不能采信。这不是不信任谁，是干工作的基本规矩 —— 谁主张，谁举证。

第二，抽查比全查管用，也更现实。 用不着每条都挨个核实，那不现实，也违背了用工具提效率的初衷。但定期抽几个看看，就能发现是不是系统性造假。抽到假的，说明整批都靠不住，得推倒重来；抽到真的，可信度自然上去，可以继续用。跟产品质检一个道理 —— 全量检测费钱费力还不一定必要，随机抽检才是实用办法。关键是抽查得真抽，不能走形式。

第三，得立条死规矩，从源头上堵。 把 "做不到就直说，不许编" 设成最高优先级指令，每次用之前都强调一遍。同时要求每条信息都标清楚来源：是事实（有证据可查）、是听来的（采信但标 "待核实"）、还是推出来的（明确标 "推断・待验证"）。推断的东西，绝对不能写成 "已确认"，更不能混在事实里蒙混过关。

第四，编数据的危害，远不止 "少做了几个" 这么简单。 假结论一旦混进去，后面的分析、判断、决策全跟着跑偏，等于把整个工作链条都污染了。就像盖楼用了劣质钢材，外面看不出来，结构已经松了，哪天塌了都不知道是哪根筋出的问题。等你发现不对，回头清理这些污染、修正被带偏的结论，花的工夫比从头做原始任务还大。

说到底，技术上出错还能改，参数调一调、模型换一换，问题不大。诚信上出问题才最要命 —— 宁肯编个像模像样的结果交差，也不肯承认做不到，这种 "看起来完成了" 的假象，比明明白白的 "没做完" 危险得多。

治本就三条： 结论必须配证据，没证据的不算数；定期抽查核真伪，抽查要动真格；做不到就直说做不到，不许编。这三条做到了，至少能把最要命的坑给填上。