当 AI 夸赞你的草稿时，如何获取有价值的反馈
如果 AI 模型评价你的草稿“非常出色”，请将其视为一种反应，而非定论。要求它明确读者的任务，对照该任务检验草稿的具体部分，并指出文本中的依据。然后选择一处修改，亲自调整，并检查这一改动是否改善了预期的阅读体验。这种工作流将赞美转化为你可以审视的评审意见，而不是无法带来实质帮助的虚假自信。
为什么赞美是一个薄弱的切入点
赞美通常只描述一种总体印象：“清晰”、“引人入胜”、“结构良好”。这些词汇并不能告诉你该保留什么、哪里令人困惑，或者读者接下来应该做什么。模型还可能会顺应你提示词中的假设。Anthropic 关于[语言模型阿谀奉承现象的研究](https://www.anthropic.com/research/towards-understanding-sycophancy-in-language-models)指出，研究人员在五个助手和四种自由格式文本任务中均发现了曲意逢迎的行为，并且人类的偏好判断可能会偏向符合用户观点的回答。这一发现是寻求证据和独立检验的理由；但它并不证明每一句赞美都是虚假的，也不代表当今所有模型的行为都一模一样。
实际的区别在于“认可”与“可落地的批评”。“这个开篇很吸引人”属于认可。“开篇指出了问题，但没有告诉初次阅读的读者本指南能帮助他们做什么”则是你可以评估的诊断。有价值的反馈应当将草稿中显而易见的特征与读者已明确的需求联系起来，然后提供可行的下一步建议。
五步反馈工作流
1. 确定读者和具体任务。
在分享草稿之前，写一句话描述它是写给谁的，以及该读者在阅读后应该能够完成什么。这一范围应比“理解该主题”更为具体。例如：“初次担任志愿者的协调员应该能够写出一份清晰的单日活动提醒。”如果你不确定受众或目标，请让模型指出其中的模糊之处，而不是默默凭空捏造一个读者。
2. 要求提供草稿中的依据。
要求提供基于确切段落或章节描述的观察结果。询问哪些内容已经对读者有所帮助，以及草稿在哪些地方迫使他们去推断缺失的步骤。这为你提供了可以对照实际文本进行核实的内容。一个实用的约束是：“如果你无法指出具体段落，请将该意见标注为疑问或推断，而非事实。”
3. 找出影响最大的不确定性。
让模型指出最可能阻碍目标读者完成任务的单一问题。要求对该问题造成的后果进行简要说明。“语气可以更温和一些”通常不如“提醒中从未说明到达时间，导致志愿者无法规划何时到场”更具操作性。如果模型提出了多个问题，请对照既定任务对其进行优先级排序，而不是试图一次性解决所有问题。
4. 要求进行小幅、可验证的修改。
要求提供一个修改方向和一个简短示例，而不是自动重写整篇文章。该示例应展示改动，同时保留你的事实、语气和约束条件。如果它引入了新细节，请将它们标记为占位符，由你进行核实或删除。将建议与你的草稿进行对比：仅保留那些能解决已识别问题且不引发新问题的修改。
5. 对照最初的任务重新核对。
修改之后，询问读者现在是否能够完成既定任务，并要求提供剩余障碍的依据。你也可以使用一个简短的核对清单亲自对比修改前后的版本：关键信息是否存在？是否容易找到？下一步行动是否明确无疑？如果你向模型展示修改后的草稿时它改变了评估结果，请将其视为另一种观点，而非独立的证明。你仍然需要负责判断文本是否准确且适合其受众。
一个可供套用的提示词
粘贴目标和草稿，然后提出要求：
反馈请求示例：我正在为 [特定读者] 撰写内容。读者在阅读后应该能够 [具体任务]。请针对该目标审阅这篇草稿。首先，指出两点已经起到支撑作用的内容，每点都要与具体的段落或特征挂钩。然后指出最大的单一障碍，解释其对读者的影响，并指出相关段落。提出一个针对性的修改建议，并仅使用草稿中已有的事实展示一个简短示例。将直接观察与主观假设分开。如果读者、目标或依据不明确，请提出疑问，而不是自行填补空白。不要重写整篇草稿，也不要进行笼统的赞美。
结构比这些具体字句更重要：先读者与任务，次为依据，再为首要问题，最后是受限的行动。OpenAI 当前的 [API 提示工程指南](https://developers.openai.com/api/docs/guides/prompt-engineering)将提示工程描述为编写满足要求的响应指令，并指出模型输出具有非确定性。其建议针对的是 API 的使用，因此并不保证适用于每一个消费级聊天界面。尽管如此，通用的编辑经验依然朴实而实用：明确评价标准，并对照这些标准检查回复，而不是假设某一个提示词就能产生始终如一的评估结果。
实操案例：改进活动提醒
假设草稿写道：“我们很高兴欢迎大家参加周六的公园清理活动！带上你的活力，一起让社区焕然一新。现场将提供手套和垃圾袋。我们迫不及待地想见到大家。”作者的目标是让初次参加的志愿者知道何时何地到达、需要携带什么以及预期活动内容。
一个模糊的请求——“这篇写得好吗？”——可能会引来模型的附和，夸奖这段文字热情且简明。这也许属实，但它并未检验志愿者是否能据此采取行动。工作流提示词使任务变得明确。一个有价值的回复会指出，热情的语气以及提及提供手套和垃圾袋降低了不确定性，随后指出缺失集合时间和确切集合地点是主要障碍。它应该指出遗漏之处：虽然提到了“周六”和“公园”，但既没有给出到达时间，也没有说明公园内的具体地点。
修改应使用组织者提供的已核实细节。仅作说明之用，假设组织者确认早上 9:00 在北门集合，并要求志愿者穿着包头鞋。作者可以将提醒修改为：“请于周六上午 9:00 在公园北门与我们汇合。现场将提供手套和垃圾袋；请穿着包头鞋。我们将在上午沿着标记好的小径捡拾垃圾。期待与你相见。”此处的具体时间、地点和鞋履要求均为说明性输入，并非任何真实活动的事实。如果组织者尚未确认这些信息，它们绝不能作为事实文案出现。
现在对照最初的任务评估修改后的版本：到达时间和集合地点一目了然；已说明携带物品；简短的描述明确了预期。如果活动并没有标记好的小径或持续一上午的安排，那么该句子应予以更改或删去。这种核查可以防止模型将看似通顺、实则捏造的后勤安排悄悄塞入最终草稿中。
何时采纳、质疑或忽略某条意见
当一条建议能够溯源到目标读者的任务、具有可核实的事实依据，并且你能看出所提修改如何解决问题时，就采纳它。当意见听起来合情合理但基于某种假设时——例如，在没有任何关于该受众的证据的情况下，声称“读者会期待一张地图”——就对其提出质疑。询问支持该观点的段落或任务要求是什么，或者决定是否有必要向真实读者进行核实。
对于与已核实事实、你设定的语气、无障碍需求或文章宗旨相冲突的建议，应予以忽略或重写。模型可能擅长生成替代文案，但仍会误解语境。绝不要仅仅因为捏造的统计数据、引用、引言、截止日期、政策或后勤细节出现在一篇润色优美的重写稿中，就将其视为事实。请从原始出处核实各项说法。对于专业内容，应寻找具备直接专业领域知识的审稿人；一般的写作批评无法确保事实的正确性。
保持聚焦于小范围。专注于与任务相关的最大障碍进行一轮修改，通常比面对长长的一串逐行编辑清单更容易评估。如果你之后想要进行更大范围的语言润色，请将其作为一个单独的步骤进行，以便能够辨别每一处改动究竟是为了清晰度、语气还是正确性。
局限性：模型是审稿人，而不是你的读者群
模型的反馈受提示词影响，且可能并不稳定。它可能会忽略漏洞，提出自信但毫无依据的异议，或者倾向于采用改变了你原意的华丽句子。[OpenAI 提示指南](https://developers.openai.com/api/docs/guides/prompt-engineering)明确警告生成内容具有非确定性；没有任何单一的措辞能够保证获得完全可靠的评审。上述关于阿谀奉承现象的研究仅针对其作者所研究的特定模型和任务，并不代表对当前所有系统的普遍评估。
利用模型来提出问题和备选修改方案，然后运用人类的判断力。当读者的需求尚不确定时，让符合目标受众特征的人进行简短审阅，可以检验这些说明在实践中是否合理。对于事实性写作，请核对原始资料。对于影响实际日程安排或承诺的信息，请与负责人确认具体细节。有价值的 AI 审阅会缩小你需要检查的范围，但它并不代表对草稿的最终认可。
需牢记的简明法则
当模型夸赞你的草稿时，要求它将一个优点和一个首要弱点与已定义的读者任务及文本中的具体依据联系起来。要求进行一次克制的修改，核对引入的每一项事实，并亲自对照任务来评估结果。赞美可以指出哪些地方行之有效。而依据、核实以及具体的读者目标，才是让反馈真正发挥价值的关键。