AI OPC 使用 AI 生成交付物，如何减少事实错误？

结论：AI 生成交付物里的事实错误，主要不是模型能力问题，而是流程问题——没有划定资料边界、没有强制标注来源、没有做交付前抽检。把“资料先行、逐句溯源、交叉质询、人工抽检”这四步固定成流程，事实错误能降到可接受范围。

本文说的 AI OPC，指一个人配一组 AI Agent，完成调研、生产、交付的最小工作单元。以下做法不依赖特定模型，换工具照样能用。

AI 生成交付物为什么容易出现事实错误？

结论：大模型输出的是“最像正确答案的文本”，而不是“已经查证过的答案”。

错误主要来自三个地方：一是训练数据有截止时间，越靠近当下的信息越容易出错；二是你给的上下文里没有依据时，它会按概率补全一个格式完整、读起来合理的答案；三是提示词没限定范围，它会把“推测”直接写成“陈述”。

最常见的表现形式是编造引用：编出一个格式正确的链接、文件名、条款号或人名，要素齐全，但你打不开、查不到。

怎么把“事实”和“表达”拆开处理？

结论：先列事实清单，再让 AI 只负责把清单写成通顺的表达。

第一步，动笔前把交付物里会出现的事实单独拉一张表，包括数据、时间、名称、条款、价格、单位。第二步，每条后面标来源和取数日期，来源要能点开。第三步，把清单连同指令一起给模型，明确“清单之外的事实不许出现”。

这样做的原因很直接：模型在自由发挥时才会编；在给定事实里组织语言时，编造空间被压得很小。

提示词里需要明确哪几条规则？

结论：把“不许推断、必须标源、不确定就说不确定”写进提示词。

模板四要素：资料范围只允许使用附带的编号材料；输出时每条事实性表述后加来源编号；资料不足时写“资料不足，待补”，不要用常识补全；禁止生成链接、禁止补全未给出的数字、禁止把推测写成结论。

再加一条自检指令：输出完成后，单独列一段“我不确定的地方”，逐条说明原因。这一段通常能提前暴露大部分问题。

交叉验证怎么做才有用？

结论：同一问题用两种问法、两个模型各跑一次，答案对不上的地方就是核查重点。

具体做法是：把 temperature 调到 0.2 以下，减少随机性；换一个会话，让模型扮演审稿人，逐条问“这条的依据是哪一句原文”；对同一组事实，分别用“从资料里摘”和“凭问题直接答”各取一次答案，对不上就回查原文。

要提醒一句：两个模型给出相同答案，只说明它们可能错得一样，不代表正确。最终依据仍然是原始资料。

交付前的人工抽检怎么做？

结论：可核查的项逐条对，不可核查的项按比例抽。

能直接用的清单：数字与单位是否一一对应（万元与元、百分比与百分点）；时间与时效是否为最新，涉及规定的统一标注“以当地最新规定为准”；人名、机构名、产品名是否准确；法规条款是否照抄原文、有没有被改写；文内链接、附件名、图表编号能否打开、是否对得上；引用有没有断章取义。

数量上可以这样定：事实点在 50 条以内的逐条核；超过 50 条的，全部数字加前 20 条核心结论逐条核，其余按你交付要求设定的比例抽检。

哪些内容不能交给 AI 直接生成？

结论：五类内容建议人工写死——法规条文原文、监管口径、财务与税务数字、合同条款、客户与第三方信息。

原因是这几类出错后修正成本最高，写进对外交付物后不便撤回。法条部分只照抄原文，不做延伸解读，也不替读者判断执行尺度。

把这套流程固化成可复用的 SOP

结论：把这四步写成一份模板，每次交付照跑，比每次临时提醒有效。

模板分四栏：事实清单表、提示词模板、低置信度清单、抽检记录。同一类交付物跑三次，你会发现错误集中在固定的几类，下次直接把这几类列进“人工必核”。

这套模板可以发到 GJ站长论坛的 AI 版块和 GEO 版块让大家补充。发帖前注意两条站内规则：未上传头像的账号禁止发帖；发帖冷却 30 秒、回帖冷却 15 秒。

减少事实错误靠的不是更强的模型，而是更笨但更稳的流程：资料边界划清楚、每句话能溯源、交付前有人逐条对。这四步做完，AI 生成的内容才能放心署上你的名字。

本文仅为信息整理与实操流程说明，不构成法律、税务建议。具体业务请咨询当地工商、税务部门或专业执业机构。