AI 输出验证

要解决什么问题

大模型生成的代码、文档、方案或数据分析，往往听起来合理却缺少可核对的事实，或在边界条件、安全与集成点上埋雷。若不经审查就直接合并、发布或对外交付，轻则返工，重则误导决策或引入风险。本技能面向「交付前验收」：在把 AI 输出当作最终结果之前，用可操作的检查代替泛泛好评。

技能如何工作

流程从重构目标开始：明确用户目标、受众、格式、排除项与验收标准；若涉及改仓库，应先对照相关文件与本地规范。接着分类交付物并套用不同检查清单：

• 代码或配置：正确性、集成点、测试、边界、安全、可维护性与兼容性
• 文档或文章：事实、逻辑、引用、受众匹配与无依据主张
• 方案或架构：范围、时序、接口、迁移/回滚与运维影响
• 数据分析 / UI·UX / 自动化与提示词：分别核对来源与可复现性、流程与无障碍、触发条件与副作用等

基于证据验证要求把重要声明对照原始材料、测试、日志或权威参考；代码优先跑现有测试、lint、构建或针对性复现，未实际执行的项目不得标为已通过。排查故障模式覆盖需求遗漏、幻觉、逻辑错误、执行风险、安全隐私与质量风险。最终按固定结构给出判定（PASS / PASS_WITH_FIXES / FAIL / NEEDS_VERIFICATION）与严重程度，并给出最小修复建议。

适用边界与注意点

技能要求始终用中文回复，并保持怀疑但建设性的态度；不要编造验证结果，未测试或未观察到的内容必须明确说明。小型交付物可简洁评审，面向用户或高风险的输出应加深审核。交付物已满足用户明确需求时，不应再堆叠不必要的工作。