AI输出七问法
图解导读：把怀疑变成一套固定动作
仅仅提醒自己"要小心AI"没有太大用，因为人在赶时间时最容易跳过检查。七问法的价值，是把模糊的谨慎变成固定动作：真实性、完整性、相关性、偏见、可执行性、来源和责任，每一项都问一遍。
不同输出的风险不一样。闲聊建议可以轻量检查，论文引用、医疗建议、法律判断、公开发布内容则需要更深层核验。先判断风险，再决定核验深度，才不会把所有回答都当成同一种东西处理。
情境案例
一位公共管理专业的研究生让AI帮她写了一段关于"数字政务平台用户满意度"的文献综述。文字流畅、结构完整、引用了多篇论文。她差点直接用了。
但她用七问法逐一检查后发现：引用的五篇论文中有两篇根本不存在（准确性问题），综述完全没有提到负面评价的研究（完整性问题），一篇被引用的论文讨论的是电商平台而非政务平台（相关性问题）。
她花了两个小时修正这些问题，最终的综述质量远高于AI的初始输出。七问法帮她避免了一次学术事故。
为什么需要系统化的评估方法
上一章建立了"判断比生产更重要"的认知。但判断不能只靠直觉。直觉会受到AI输出的流畅度的迷惑，会因为内容"看起来对"而放松警惕。
你需要一个系统化的检查清单，在每次使用AI的重要输出之前走一遍。就像飞行员起飞前的检查清单，不是因为飞行员记不住，而是因为系统化的检查可以捕捉到直觉遗漏的问题。全国网络安全标准化技术委员会发布的《生成式人工智能服务安全基本要求》就把语料安全、模型安全、安全措施和安全评估拆成可检查的条目[1]。这给我们的启发是：对AI输出的评估不能依赖"看起来像不像对的"这种直觉判断，而应该建立可操作的检验标准。
七个问题
第一问：准确吗？
输出中的事实陈述、数据、引用是否正确？
这是最基础也最重要的一关。AI的事实性错误通常藏在两个地方：
- 具体数据：百分比、年份、金额、排名等数字
- 引用来源：论文标题、作者、发表期刊、法律条款编号
验证方法
把AI提到的关键事实拿到独立信息源去核实。不要用另一个AI来验证（它们可能犯同样的错误），而是去官方数据库、权威机构网站、学术检索平台核实。
具体操作： 抽取AI回答中的2-3个关键数据或引用，分别到中国知网（CNKI）、国家统计局官网、Google Scholar或相关行业权威网站搜索。如果查不到或与原始来源不符，该信息不可使用。
第二问：完整吗？
有没有遗漏重要的方面、视角或信息？
AI倾向于给出"平衡"的回答，但平衡不等于完整。它可能系统性地忽略了某些视角：
- 少数派观点或争议性立场
- 最新的进展（训练数据截止后的信息）
- 特定地区或文化背景下的差异（很多AI的训练数据以英语世界为主，可能忽略中国国情）
- 反面证据和失败案例
具体操作： 读完AI输出后问自己："这个话题还有哪些重要视角没有被讨论？"然后主动追问 AI："你的回答有没有遗漏重要的反面证据或少数派观点？"
第三问：相关吗？
输出是否真的在回答我问的问题？
AI经常"答非所问"但你不容易察觉，因为它的回答看起来和你的问题是相关的。这是一种更隐蔽的失败 -- 它没有说错话，但说了一堆不需要的"正确的话"。
区分两种情况：
- 表面相关：讨论了同一个话题，但没有回答你的具体问题
- 实质相关：直接针对你的具体问题给出了有价值的信息
第四问：清晰吗？
表达是否清楚、结构是否合理、重点是否突出？
好的输出应该让读者轻松抓住核心信息。检查：
- 有没有不必要的重复和冗余
- 关键信息是否被埋在大段文字中
- 逻辑结构是否清晰（先说什么、后说什么）
第五问：一致吗？
输出内部是否自相矛盾？与已知事实是否冲突？
AI在长文本中容易出现前后矛盾：前面说"A因素是主要原因"，后面又说"A因素的影响有限"。这种不一致不是因为AI在故意骗你，而是因为它在不同段落中被不同的上下文"牵引"到了不同方向。你需要主动去捕捉这种矛盾。
第六问：可用吗？
这个输出能直接用在我的实际场景中吗？
可用性检查的核心是场景适配：
- 语言风格是否适合你的受众（学术论文 vs. 商业报告 vs. 日常交流）
- 格式是否符合你的要求
- 深度是否匹配你的需求
- 是否需要额外的本土化处理（例如法律分析中的中外法律差异）
第七问：负责吗？
使用这个输出会不会带来伦理、法律或信誉风险？
- 是否涉及他人隐私或敏感信息
- 是否包含偏见或歧视性内容
- 引用的来源是否真实存在
- 直接使用是否构成学术不端
科技部监督司发布的《负责任研究行为规范指引（2023）》明确提出，使用生成式人工智能生成的内容，特别是涉及事实和观点等关键内容的，应明确标注并说明其生成过程，确保真实准确并尊重他人知识产权[2]。
不同场景下的评估侧重
不是每次都需要对七个问题同等投入。根据使用场景调整侧重：
| 场景 | 重点关注 | 可以相对放松 |
|---|---|---|
| 学术论文 | 准确、完整、负责 | 清晰（可以自己润色） |
| 日常学习笔记 | 准确、清晰 | 完整、格式 |
| 商业报告 | 相关、可用、一致 | 完整性（聚焦即可） |
| 代码生成 | 准确、可用 | 清晰（代码能跑就行） |
| 创意写作 | 相关、清晰 | 准确性（允许虚构） |
| 政策分析 | 准确、完整、一致、负责 | 格式可调整 |
把七问法变成习惯
七问法不需要你每次都拿着清单一项项打勾。它的目标是内化为一种思维习惯：
快速版：三秒扫描
拿到AI输出后，快速问自己三个问题：
- 这里面有没有可能是错的？（准确）
- 这真的是在回答我的问题吗？（相关）
- 我敢直接用这个吗？（负责）
如果三个答案都是"是"，可以使用。如果任何一个是"不确定"，切换到完整的七问检查。
本章核心回顾
- 七问法是一个系统化的AI输出质量评估框架
- 七个维度：准确、完整、相关、清晰、一致、可用、负责
- 不同场景侧重不同，学术场景重准确和负责，商业场景重相关和可用
- 目标是内化为习惯，从刻意检查变为自然反应
- 快速版三秒扫描：准确？相关？负责？
AI帮我写了一段文献综述，读起来很顺畅、引用也很规范，看上去没问题，直接插入论文了。
用AI帮你写了一段学术论文的文献综述，你应该优先检查哪个维度？
七问法中'相关性'检查要区分的两种情况是什么？
打开你最近一次使用AI生成的内容，用'快速版三秒扫描'检验一遍：准确吗？相关吗？负责吗？你发现了什么问题？
设计一个适合你专业的'七问法变体'。比如，如果你是法学生，第一问可能不只是'准确吗'，而是'法条引用和判例引用是否可核实'。为你的专业定制一个版本。
参考文献
全国网络安全标准化技术委员会. (2024).《生成式人工智能服务安全基本要求》（TC260-003）. https://www.tc260.org.cn/upload/2024-03-01/1709282398070082466.pdf ↩︎
科技部监督司. (2023).《负责任研究行为规范指引（2023）》. https://www.most.gov.cn/kjbgz/202312/t20231221_189240.html ↩︎