第 17 章：AI 结果验收：评分、检查、复盘

这一章要让你

学会一件比"让 AI 生成"更值钱的事：判断它生成得到底行不行、该往哪改。会生成的人很多，会验收的人很少——而验收这道关，是你前面每一章作业、后面每一个工作流的"过关线"。这一章我们不堆术语，就教你三招：拿清单过一遍、换个评委按维度打分、再拿一个它改不了的事实去对账。

先说个常见的场景

你让 AI 写了份周报，或者整理了一份客户需求，出来一大段，读着挺顺，但你心里别扭：

这个结果不好，但我说不出哪里不好。
感觉不对，但不知道怎么让它改对。
AI 写了一大堆，但我不敢直接拿去用。

这不是你水平不够，是你手上没有一把尺子。没有尺子，你就只能凭"感觉对不对"——而"感觉"既说不清，也没法让 AI 照着改。这一章就是给你这把尺子。

记住一句话定调：验收不是"看一眼觉得行"，是拿一个事先定好的标准，一条条过。

一、先用一张通用清单过一遍

不管 AI 给你写的是周报、邮件、方案还是一段分析，都可以先拿下面这 7 个问题挨个问一遍。这是最省事的第一道关：

1. 是否符合我的目标？（我要的到底是不是这个东西）
2. 是否用了我给的资料？（还是它自己瞎编了一套）
3. 有没有编造信息？（数字、人名、引用、报价，重点查）
4. 是否足够具体、能直接执行？（还是一堆正确的废话）
5. 是否符合我要的格式？（长度、结构、语气）
6. 有没有漏掉风险？（有没有把该提醒的坑提醒到）
7. 哪些地方还需要我人工确认？（哪些它说了不算）

举个例子：AI 给你写的周报里有一句"本月销售额同比增长 30%"。第 3 条就该亮红灯——这个 30% 是你给它的数据里有的，还是它"接话接出来"的？(还记得第 2 章说的吗，AI 在玩文字接龙，它会顺手补一个"看起来最像"的数字。) 第 7 条也亮红灯——这种数字必须你自己回原始表格核一遍，它说了不算。

这张清单的价值，不在于多高级，而在于它把"我感觉别扭"翻译成了"具体第几条不过关"。能说出第几条，你才有办法让它改。

二、为什么不能让 AI 自己说"我做得怎么样"

很多人验收的方式是直接问 AI："你这个写得对吗？""你确定没问题吗？"

这是这一章我最想拦住你的一个动作。因为你几乎永远会得到这样的回答："是的，我已经仔细检查过，内容准确无误。"——然后你一用，还是错的。

原因不难理解：让 AI 给自己的作业打分，它会偏心。 这不是它"撒谎"，而是你让它当了"既是考生又是判卷老师"的角色——它生成那段话时，本来就是按"这看起来最对"去写的，你再让它回头评一遍，它当然还觉得自己对。

打个你一定有体会的比方：自己改自己的卷子，几乎没有人会给自己打低分。 你把同一个人放在"答题"和"判卷"两个位置上，判卷那次他只会替答题那次辩护。

所以验收的第一条铁律是：评分的人，和干活的人，要分开。

怎么做？就一个动作——开一个新对话，把结果贴进去让它当评委，而不是在原来那个写周报的对话里追问。新对话里的它没有"我刚写的，我得维护"的包袱，挑起错来反而更狠。这在专业领域有个正经名字叫 "LLM-as-a-Judge"（让一个 AI 当裁判去评另一个 AI 的输出），听着唬人，对你来说就是一句话：换个窗口当评委。

避坑提醒：别在"它刚干完活"的同一个对话里说"你再检查一遍"。它检查的是"自己的孩子"，下不去手。换个新对话，或者干脆换个工具，效果完全不同。

⚠️ 就地提醒：贴给"评委"的结果如果含公司数据或客户信息，先脱个敏再贴——尤其换成别的工具当评委时，等于把内容又给了一个新的第三方。

三、换了评委，还要让它"按维度打分"，不是"过 / 不过"

光换评委还不够。如果你只问新评委"这份周报行不行"，它回你一句"基本可以，略有不足"——你还是不知道该改哪。

关键在于：让它按维度一栏栏打分，给出具体扣分项。 维度分开了，AI 下一轮才知道该盯着哪一项去改，而不是把整篇推倒重写。

这里给你一个可以直接复制的评分 Prompt，贴到新对话里，连同要验收的内容一起发给它：

请你作为质量检查员，给下面这份结果打分（满分 100）：
1. 目标匹配度 20（是否答到了我真正要的）
2. 信息准确性 20（有没有编造、数字对不对）
3. 具体可执行性 20（能不能直接用，还是空话）
4. 结构清晰度 15
5. 风格匹配度 15
6. 风险提醒 10（该提醒的坑有没有提到）

请输出：① 总分　② 每一项扣了多少分、为什么扣　③ 修改建议　④ 修改后的最终版本。

这套打法在做 AI 工程的人里早就是常识了。有个开源工具的介绍语我特别喜欢，翻译过来是："交付提示词，要带数字，别凭感觉"（Ship prompts with numbers, not vibes）。一句话点透了"按维度打分"的意义——把"我感觉还行"换成"准确性这项被扣了 8 分，因为第二段那个数字对不上"。后者才是 AI 能照着动手的东西。

举个例子：评委给你的周报打了 78 分，其中"信息准确性"那 20 分只拿了 12 分，扣分理由写着"'同比增长 30%' 在所给资料中找不到依据"。看到这一行，你立刻就知道下一步干嘛——回去核那个 30%，而不是把整篇周报重写一遍。分维度打分，等于给你一张"哪儿坏了"的检修单。

避坑提醒：分数本身别太当真，AI 给的 78 分和 82 分没有本质区别。真正有用的是"每一项扣分理由"那几行字——那才是它替你找出来的毛病。别盯着总分，要看扣在哪。

四、最硬的一招：拿一个它改不了的事实去对账

前面三招能帮你把"写得好不好"判个八九不离十。但碰到涉及事实、数字、对错有客观答案的活，光靠 AI 当评委还不够——因为评委也是 AI，它和考生用的是同一套"接话"的脑子，可能一起错。

这时候你需要这一章最硬的一招：别问 AI"你做对了吗"，去拿一个它改不了、它说了不算的外部事实，跟它的结果对一对。

这里有个关键词，叫**"目标可判定"**——意思是，你的目标得有一个客观东西能判它对错，而不是靠谁的嘴。

最好懂的比方是记账：你月底对账，绝不会问自己"我账记平了吗"然后自己点头就算数。你会把自己记的账，跟银行流水一笔笔对上。 银行流水就是那个"你改不了、你说了不算"的外部事实。对上了才叫平，对不上就是错——这事轮不到你"感觉平了"。

落到你用 AI 的日常，这一招长这样：

AI 帮你算了一组销售数据汇总 → 别问它"算得对吗"，自己挑一两行，回原始表格里加一遍，对得上才信。
AI 引用了一条政策、一个法规条款 → 别问它"这条准确吗"，自己去官方网站搜那条原文，比对一致才用。（还记得第 8 章教的核验吗，这就是把它用在验收上。）
AI 写了"某产品参数是 XXX" → 别问它"这参数对吗"，去产品官网 / 说明书查那个数。
AI 整理了客户需求 → 把整理结果发回给客户本人确认一句，客户的原话就是那个外部事实。

你看，这几个动作的共同点是：判对错的依据，来自 AI 够不着的地方——原始表格、官方网站、客户本人。这才叫"对账"。你问 AI"你对吗"，等于问考生"你抄得对吗"，毫无意义；你拿标准答案去对，才有意义。

避坑提醒：AI 最危险的不是答错，是一脸笃定地答错——它会用特别肯定、特别专业的语气给你一个编造的数字或法条。语气越肯定的地方，越要去对账。"听起来很可信"恰恰是要警惕的信号，不是放心的理由。

五、说得出"哪里不好"，AI 才改得对

走完前面四招，你手里就有具体的毛病了——可能是清单第 3 条不过关，可能是评委扣分理由那几行，可能是对账时发现某个数字对不上。这时候让 AI 改，就不再是"你重写一下"这种碰运气的指令了。

给 AI 提返回意见，记住一个三段式，比你说一百句"不对、不行、再改改"都管用：

我期望的是：______（你到底要什么）
但它实际给的是：______（现在哪里不对）
请你这样调整：______（具体改哪里、怎么改）

举个例子，别说"这周报不行，重写"，要说："我期望的是用我表格里的真实数据；它实际把销售额写成了同比增长 30%，但我的数据里没有这个数；请你删掉所有我没提供的数字，只用我给的原始数据，对不上的地方标注'数据待补'。"——前一种它只会再碰运气写一版，后一种它一次就能改对。

这就回到这一章、其实也是这整门课的那条主线（第 2 章说过）：用 AI 越来越像管人。 你交代得含糊，它就乱发挥；你把"哪儿不对、要怎么改"说清楚，它就能给你改到位。验收标准就是你的过关线——没有标准，AI 改十遍你也不知道哪一版能用。

关键表达

验收不是"看一眼觉得行"，是拿一个事先定好的标准一条条过。
让 AI 给自己的作业打分会偏心——评分的人和干活的人，要分开（换个新对话当评委）。
要按维度打分、给扣分理由，不要只问"行不行"；交付要带数字，别凭感觉。
涉及事实和数字，别问 AI"你做对了吗"，拿一个它改不了的外部事实去对账——像记账要和银行流水对上。
说得出"哪里不好"，AI 才改得对；验收标准就是你的过关线。

避坑提醒

别在写东西的同一个对话里让它"自查"，它会替自己辩护——换个窗口当评委。
别只看评委给的总分，要看每一项扣分理由那几行字，那才是检修单。
别被肯定的语气骗了，"听起来很可信"不是放心的理由，反而是去对账的信号。
别用"不对、再改改"这种话提意见，用"期望 / 实际 / 怎么改"三段式说清楚。

课后任务

挑一个你自己的 AI 输出（最好就是第 0 章选的那件"每周都要重复做的事"，比如这周的周报），走一遍完整流程：

拿第一节的 7 条清单过一遍，记下哪几条不过关。
开一个新对话，用第三节的评分 Prompt 让它当评委打分，留意扣分理由。
挑结果里一个有客观答案的点（一个数字、一条引用），按第四节去对账一次。
用第五节的三段式让它改一版。
最后写一句复盘：这次问题主要出在我的指令，还是出在我给的资料？

最后这句复盘最值钱——它会告诉你，下次该在"把话说清楚"上下功夫，还是在"喂对资料"上下功夫。

衔接贯穿案例：到这一章，你已经会把任务说清楚（第 3 章）、给够上下文（第 4 章）、拆解（第 5 章）、核验（第 8 章），现在又会验收了。下一章（第 18 章）开始，我们就把这些零件拼成你自己的 AI 工作台——而验收这道关，会被你固定写进每一个工作流里，当成出货前的最后一道质检。

延伸观看 / 参考来源

以下多为英文，可在 YouTube 打开"自动字幕 + 翻译成中文"观看。具体工具型号、价格会变，以官网当前为准。

怎么核查 AI 写的东西：《How to Fact-Check ChatGPT and Other AI Tools》https://youtu.be/imBL73lFwbk
给 AI 加一张事实核查清单：《Use the Fact Check List Pattern for Reliable AI Responses》https://youtu.be/SVCkIG82g78
"换评委打分"是怎么回事（入门）：《LLM-as-Judge Explained Simply: How Top Teams Actually Evaluate AI Outputs》https://youtu.be/DrmhHon2Gn8
同上，框架视角：《How to Evaluate AI at Scale: The "LLM-as-a-Judge" Framework》https://youtu.be/dQPwlgHsVwA
"交付带数字、别凭感觉"的开源工具理念：GitHub iamshihab2020/evallab（介绍语 "Ship prompts with numbers, not vibes"）
分维度评分的真实维度参考：GitHub SaurabhTripathi62/llm-evaluation-toolkit（faithfulness / hallucination / relevance）