夜雨聆风AI提示词"自检环"
AI输出最致命的不是"不会"，而是"不会还装会"——数字编得精确、逻辑写得通顺、语气充满自信，一查全是错的。根源在于模型只做一次生成，从不回头验证。在提示词中嵌入"自检环"指令，强制AI走"生成→验证→修正"闭环，输出质量直接提升一个档次，比人工逐条核对效率高5倍。
第1步：理解自检环的核心逻辑
普通提示词：提问 → AI回答 → 结束。
自检环提示词：提问 → AI回答 →AI自己检查→ 发现问题 → 修正输出。
关键区别：AI从"一次性生成"变成"生成+审计"两个角色切换。不是让它"再检查一遍"（它会重新读一遍自己的答案然后说"没错"），而是用特定指令强制它从不同角度验证。
第2步：格式自检环——锁定输出规范
适合场景：要求AI按特定格式输出（JSON/表格/特定字数/固定结构）。
直接复制模板：
1. 逐行检查输出是否符合要求的格式
2. 检查字数是否在目标范围内
3. 如发现不符合项，直接修正后输出最终版本
4. 末尾标注：格式自检通过/已修正X处
示例：让AI写产品简介，要求200字以内、3段结构、每段含一个数据。加完自检环后，AI会自己数段落、数字数，超了就压缩。
第3步：事实自检环——拦截编造数据
适合场景：涉及具体数字、日期、引用来源、行业数据的内容。
直接复制模板：
1. 列出回答中每一个事实性声明
2. 逐条评估置信度：HIGH/MEDIUM/LOW/CANNOT VERIFY
3. 对MEDIUM及以下用对冲语言替换或删除
4. 输出修正版本，末尾附审计摘要：
- 事实声明总数：X
- 确认无误：X
- 已替换：X
- 已删除：X
这是Chain of Verification（CoVe）技术的简化应用。研究表明，分离生成和验证可将封闭域问答准确率提升约23%（来源：Meta Research, 2023）。
第4步：逻辑自检环——修复推理漏洞
适合场景：方案论证、分析建议、策略推导等需要逻辑自洽的内容。
直接复制模板：
1. 用不超过5句话梳理核心因果链
2. 检查：逻辑跳跃/自相矛盾/循环论证
3. 提出1个与结论相反的观点
4. 如发现问题，修正后输出最终版本
三步自检环可以单独使用，也可以叠加。叠加顺序建议：格式→事实→逻辑，由浅入深。
1. 万能收尾句：任何提示词末尾加一句"输出后请自行检查事实准确性和格式规范性，修正后再给我最终版本"——10个字，效果立竿见影。
2. 关键数据双重验证：涉及金额、日期、百分比等关键数据，额外加一条"将所有数字单独列出，逐一交叉验证来源"，专治AI"自信编数"。
3. 模板复用：验证有效的自检环模板存进备忘录，下次同类型任务直接追加，不用每次重写。格式自检、事实自检、逻辑自检三个模板覆盖90%的场景。
✍️ 作者：研选信X
📌 本文为原创内容，未经授权禁止转载。如需合作请联系后台。
