夜雨聆风一份三十页的尽调报告，第 4 页写着某家公司的资本开支是 8 亿美元，第 19 页又变成了 12 亿。
你翻回去核对，两个数字都标了出处，都像模像样。更糟的是，报告里引用的一条"重磅消息"，其实只是上市前在媒体上流传的谣言，却和审计过的财报并列，语气一样笃定。
这不是虚构。这是亚马逊 AWS 生成式 AI 创新中心在给客户做长报告时，反复撞见的三种翻车。他们写了篇论文，把病根和药方都摊开了。
AI 写长文，真正的死穴不是写得不够好，而是它自己会跟自己打架。
先说病根。长报告有三种典型的翻车方式。
第一种，数字漂移。同一个指标，在"营收"章节是一个数，在"资本密集度"章节是另一个数。为什么？因为每个段落是独立让模型查资料、独立生成的，没有一本账把它们对齐。
第二种，溯源丢失。数字冒出来，却查不到出处。读者分不清，这个数是审计过的财报，还是模型顺着语感编出来的幻觉。
第三种，信任扁平化。上市前的谣言，和已经提交的 10-Q 财报，被同样自信地引用。因为系统里压根没有"来源权威"这回事。
你会发现，这三种翻车，都指向同一个根子——RAG 是"查一次、答一次"，每次都是临时翻资料，从来不维护一本持续演化的账。
所以呢？所以 AI 写短问答还行，一写长报告，前后矛盾、丢出处、把谣言当财报，全是必然，不是偶发。而且报告越长、越要紧，翻车越致命。
那亚马逊怎么治？一句话：别让 AI 动笔时才去查资料，先让一个"图书管理员"把资料整理成一本账本，AI 只负责照着账本念。
他们搭了个两层系统，我拆给你看。
第一层叫"图书管理员"，而且它是确定性的，几乎不靠大模型。它干三件事。
先把每一份来源按信任分档。美国证监会的财报是"官方"，劳工统计局的宏观数据是"政府统计"，维基百科是"媒体"。分档不是摆设，是有规矩的：媒体只能用来指路，永远不能变成一个能被引用的硬数字。
接着，把每个事实抽成一张"证据卡"，每张卡都钉死在原文的某句话上。哪个数字，来自哪份文件的哪一句，一查到底。
最后，对每一个"公司+指标"，选出一个权威值，写进一本"指标账本"。选法也死板：官方优先，同档再看谁被更多独立来源印证，最后才看时间。
这套流程，像不像账房先生对账？官方数字压过小道消息，互相印证的压过孤证，时间只在对完前两关之后才起作用。
给你看个真账本长什么样。论文里追了 Oracle 的"剩余履约义务"这个指标：权威值 6380 亿美元，下面挂着三个历史值——5526 亿、5233 亿、4553 亿，每个都标着日期，还标了"是否矛盾"。账本不删旧值，只是用一条"取代"的边，让新财报压过旧财报。旧账不丢，新账优先，每一笔都有据可查。
第二层，才是写作团队——一群 Agent。但它跟你想的不一样。
每个章节一个 Agent，并行去写。碰到有争议、有冲突的章节，派贵模型去啃；平平无奇的章节，派便宜模型去写。钱花在刀刃上。
写完不是直接交。每个章节后面跟着一个独立的"检察官" Agent，专门红队式地挑刺，一门心思把稿子驳倒。
最关键的一点在这——这些 Agent 彼此之间，一句话都不说。它们不靠对话协调，而是通过那本共享账本协调。
因为每个指标在账本里只有一个权威值，两个章节哪怕同时写，物理上也不可能引用出两个不同的数字。并行写作通常最怕的"各写各的、写到打架"，在这里被结构性地消灭了。
这里藏着三个容易被忽略的细节，每一个都值钱。
第一个细节，叫"时间点投影"。报告是"截至某天"的，就只能看到那天之前到账的证据，之后的东西一概看不见。这就是"不提前偷看"的规矩。他们回放了七个时间点，零违规，账本从 23 万张证据卡一路长到 55 万张，单调增长，没有一次看走眼。
所以呢？所以你的报告"截至 12 月 31 日"，就不会混进 1 月才发布的修正数据。这份克制，恰恰是投行最看重的——不提前偷看未来，是报告可信的前提。
第二个细节，是最后那道质量门禁——它不是让大模型自己给自己判卷，而是一段确定性的代码，跑六条硬规则。 孤引用、无源数字、跨章节矛盾、埋着的矛盾……六条不过，报告直接不放行。他们用"故意埋雷"的方式验证过这道门：五个真缺陷全抓到，三个干净样本零误报。
为什么这点重要？因为让 LLM 自己评价自己的输出，等于既当运动员又当裁判。机械检查，才敢信。
第三个细节，是"写回循环"。检察官驳倒一个数字，不会只是删掉它，而是把这个"驳倒"写回账本，把那个来源降级。下次跑，账本自动改用早已存在的替代值。论文里有个真实案例：利息数字从 1900 万美元自动纠正到 900 万美元，零人工改值。 五个同类案例里，四个自己纠正了过来。
你发现了吗？这套东西的价值不在"某一次写得对"，而在账本只会越对越准，因为每一次纠错都被沉淀下来，而不是用完就丢。
那这个思路能复制到哪？凡是"长文 + 数字 + 必须可溯源"的地方，都吃这一套。
投行研报、尽调备忘录、行业研究。法律尽调、合规审计报告。学术综述、政策研究报告。你现在用 AI 写的任何一份"要拿给客户看、要被追责"的长文档，都踩在这三个翻车的坑边上。
亚马逊这套东西，本质上是一句话——把"写作"和"资料维护"拆开。先老老实实对一本账，再让 AI 照着账本写。
所以呢？所以你现在就能动手做三件事。
第一件，给你的知识库加一层"来源分档"。官方文件、权威机构、媒体小道消息，分清楚，定一条铁律：低一档的来源，永远不能顶掉高一档的数字。
第二件，把"最终检查"从让模型自己评，换成确定性规则。至少两条硬规则你今天就写得出：这个数字有出处吗？这个数字在全文里只出现了一个值吗？
第三件，把资料维护和写作分开。别每次写都从零翻资料，先维护一本会沉淀、会纠错的账，AI 只是照着账本说话的嘴。
AI 会写，从来不是新闻。AI 写得每个数字都钉得死出处、前后不打架，才值得你把手里的长报告交给它。
聪明让 AI 能写，老实才让 AI 能被信。
