它不是偶尔说错，是本来就在补全
很多人以为模型偶尔出错，大部分时候是准确的，所以只需要抽查。这是对工作方式的一个误解：它并不在检索一个事实库然后偶尔翻错，而是在根据已学到的语言规律补全最可能的下一段内容。当某个细节它没真正掌握时，它依然会给出一个读起来非常合理的答案。所以问题不是「会不会出错」，而是「出错的地方看起来和正确的地方一样」。
来源一：资料本身没有或过时
第一种来源是它的知识边界。训练资料里没有的信息、发布之后才发生的事、以及没公开的内部数据，它都无法真正知道。遇到这类问题，它不会说不知道，而是按相似内容的模式给出一个答案。这也是为什么越新、越具体、越冷门的细节越危险——恰好是读者最想核实也最难核实的部分。
来源二：把相似的东西混起来
第二种来源是混淆。名称相近的两个产品、时间接近的两个事件、同名的两个人物、以及同一个概念在不同标准下的两种定义，都是高频混淆点。它给出的往往是「和正确答案很像但不完全对」的版本，比如把某个功能的版本归类错、把某条规定的生效时间说错。这类错误最难发现，因为整体叙述依然通顺。
来源三：顺着你的暗示往下补
第三种来源常被忽略：你的提问方式会影响它的补全方向。当你带着倾向提问时，比如「某某方案是不是效率最高」，它倾向于顺着这个方向给出支持性内容，而不是先质疑前提。同样，当你给出一个错误前提，它可能默认前提成立继续推演。这不是它在迎合，而是语言补全的自然结果。
最容易中招的四类内容
实践中出错代价最大的通常是四类：数字与时间（金额、比例、年份、生效日期）、来源与引文（报告名称、原话、作者）、专有名词与对应关系（谁负责什么、哪个版本有什么功能）、以及流程性描述（步骤顺序、前置条件）。这四类的共同点是「错一点就足以误导」，也是核对时应该逐项确认的部分。
一套五步核对流程
第一步，把所有硬事实单独摘出来列成清单：数字、时间、名称、来源。第二步，逐项找原始出处核对，不看二手转述。第三步，检查引文是不是真的支持你的论点，而不是被改写后走了样。第四步，确认限定条件有没有丢失，比如适用前提、例外情况。第五步，让另一个人或不带预设地重问一次同一件事，看结论是否一致。五步做完，绝大多数问题能被拦住。
一个案例
某人用 AI 起草一份行业说明，文字流畅、数据齐全，他只改了几处表述就发出去。事后被指出三处问题：一个比例数字把「约三成」写成了「超过半数」、一条规定的生效年份早了一年、引用的报告名称是对的但结论未被该报告支持。三处都来自同一批补全，而且都是「看起来完全合理」的那种错误。核对省不掉，因为错误和正确长得很像。
容易走偏的地方
一是通篇通读一遍觉得通顺就发布，通顺和准确是两回事；二是只核对明显的声称，放过隐含的前提；三是发现自己对了几次之后放松警惕，因为错误分布是随机的；四是让 AI 自查自己的内容，它往往看不出自己补全出来的细节有什么问题。核对必须落到外部来源。
什么时候可以降低核对强度
如果输出不涉及可验证的事实——比如纯粹的思路整理、表达改写、风格调整——核对强度可以很低。判断标准是：这份内容里有没有别人可以用来反驳你的具体断言。没有，就只看逻辑；有，就逐条核。把核对精力集中在真正会被验证的部分，效率最高。
局限声明
不同工具在事实性上的表现差异明显，且随版本迭代变化，本文基于通用使用经验。具体核对程度请以你的实际用途为准，重要对外内容建议逐条核实原始来源，本文不替代产品说明与实测结论。