人工智能答错之后，只回一句错了，改不完。要写下错在哪一句、哪一个数、哪一个前提，以及改对之后那一句应该长什么样。把原话换种说法再问一遍，请求往往没变，只是多了一句可以迷路的新话。事情越重要，人越容易停止争辩，改成把输出看懂。看懂不是核对。核对要留在稿上：错处、对的样子、谁认了。

人工智能纠错痛点在把责骂当成已经给了标准

真实使用里，大约一半的来回会在中途卡住。卡住常常不是单方的错。人没把脑子里已经有的条件说出来，机器就猜一个，两边沿着这个猜测往下接。接得越长，后面的句子越像真的，越难拆开是谁先偏的。

人确实会改，而且多数时候会动手改。改法却差很远。点出推理哪一步不成立，比把同一件事换个说法再说一遍有用。换说法给机器的是一个新句子，请求还是旧的，它只是换一条路继续猜。只标出「这里不对」，却不说对的样子，学生交上来会被退回，因为责骂没有脚手架。对着机器，这种批注每天都在发生。机器收到的是重来，不是往哪改。

还有一个更安静的翻转。风险升高时，返工和争辩先变多，人会把稿子改得更狠。到了最高那一档，趋势反过来：改和争少了，看懂输出变成主要动作。报价、对外承诺、人事结论，恰恰是最该争一句的地方，人改成努力理解机器已经写成的那样。理解感会冒充核对。

人工智能纠错五步：错处点名、对的样子同条写上、换说法不算改、高风险零争辩标红、认的人才能关闭

1. 错处必须点到句子、数字或前提。只写整体不对的，退回，不计入一次修复。
2. 同一条里写对的样子：改完应出现什么，不应再出现什么。缺这半句，机器只是重写。
3. 换种说法再问，若请求本身没变，标明未改请求。禁止把新句子当成新标准。
4. 高风险单统计本周有没有争辩。次数为零，不得用已理解关闭。
5. 关闭要有认的人。机器自己改完的下一版，状态仍是待核。

上表把责骂、换说法和真纠错分开。只有最后一行能进入待认，前四行都还停在原错上。

人工智能现场怎么留这三格

批注模板固定三格：错处、对的样子、认的人。缺一格的返工不计入已改。对的样子用可核对的句子，不用更好一点、专业一点这种空话。空话机器能模仿，模仿完你仍不知道哪句算对。

高风险单若本周争辩次数为零，负责人抽一条当面问：如果结论相反，你凭什么知道现在这份是对的。答不出，整单退回，不能靠已阅读关闭。我们见过周报把模型又说错了写成关闭原因，下一版仍错在同一个数上，因为没人写下是哪个数、对的数从哪来。

同一条长对话里连续重说，旧错会沿上下文留下来。换一条新对话，只在对的样子已经写清之后才有意义。没写清就换对话，是把同一个空请求再跑一次，还丢掉了上一轮已经指出的错处。

人工智能常见翻车是把语气变硬当成挑战了推理

语气硬，不等于指出了哪一步不成立。不对、重写、太差，都是态度。态度不进台账。台账只存错处、对的样子、认的人。机器的道歉句同样不进台账。道歉说明它接住了情绪，不说明数改对了。

另一类翻车是修复记录只留最终可用稿。最终稿看不出中间哪次是换说法、哪次是真改了标准。没有这层记录，下周会把同一种责骂再做一遍，并以为自己在迭代提示。

认的人必须看得懂对的样子那一格，不能是随手点通过的人。通过的人若答不出对的样子从哪份原始材料来，这次关闭作废，状态退回待核。作废不用模型再评价一次。再评价一次只是把同一份稿又读了一遍。关闭权在认的人，不在机器的下一句肯定。

同一处错若连续两周出现在待认列表里，第三周起这条流程暂停自动改稿，改由认的人先写对的样子，再允许机器动笔。暂停不是惩罚，是防止责骂被统计成迭代次数。迭代次数只认三格齐全、并且下一版里那一句确实变了的记录。

结论：人工智能的错要改完，稿上必须同时有错处和对的样子

换说法不是新标准。看懂不是核对。风险最高的时候争辩变少，这本身就是要停的信号。

你下次说一句机器又错了，先写下错在哪一句、改对后应该长什么样、谁来认。三格空着，先不要把修改丢回去。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源