稿子写到最后一稿，句子顺、逻辑通、排版也干净，发出去两小时却有人在评论区指出：文里那句「某机构去年发布的报告显示」根本查不到。AI 参与写作之后，这类错误变多了——它极少写病句，却很会写「看起来像真的」的细节。下面把核查拆成五步，每步给出产出物和最常塌的地方，并说清哪一部分它替不了你。
错得最隐蔽的，是读起来毫无破绽的那几句
事实错误和语法错误在阅读体验上完全不同。语法错会绊住读者，他停下来，回头再看一遍；事实错不会，它一路滑过去，因为局部完全合理。一个百分比跟在「同比增长」后面、一个人名跟在「研究中心主任」前面、一个日期写成「去年三季度」，读的人都觉得顺，只有真去查的人才知道有没有这回事。
所以核查不能平均用力。精力应该按「错了的代价」分配：一个关键数字错了，整段论证作废；一个形容词不准，改一个字就行。按这个标准排下来，真正需要逐条回源的通常只占全文的一小部分，但那部分必须做实。
五步走完，手里是一张能签字的清单
五步的产出物不一样，缺一步后面就会空转：
| 步骤 | 产出物 | 常见坑 |
|---|---|---|
| 圈事实 | 一张待核清单，按数字、日期、名称、引语分四组 | 只让工具划重点，漏掉藏在图注、括号和表格里的数字 |
| 定等级 | 三档标记：不改发不出 / 改了更好 / 可删 | 所有条目一个权重，核到一半就泄气 |
| 回源 | 每条一个能点开的原始出处，附口径说明 | 拿二手转述当出处，A 站抄 B 站，B 站抄自媒体 |
| 降级改写 | 核不到的地方改成定性表述的替换稿 | 数字删了，靠它撑起来的因果结论却留着 |
| 隔时复核 | 一份可以签字的终稿 | 写完立刻核，眼睛会自动跳过自己刚写过的句子 |
第三步到第四步之间最容易断档。多数人愿意去找来源，找不到时却舍不得删，于是把数字保留、把来源写成「据公开资料」。这句话看着像交代了出处，实际上是把责任推给了一个不存在的文件。模型编造细节的机制决定了这种含糊表述会一直存在，除非你亲手划掉。
它为什么会「顺口编」
语言模型的训练目标是让下一句接得像，不是让下一句为真。一个数字放在「增长了」后面，最像的下文就是一个具体百分比；一个机构名放在「发布」前面，最像的下文就是一个真实存在过的名字。它没有「我不知道」这个默认档位，除非你在提示里逼它标出来。
错得最准的地方，往往也是最具体的地方：越具体，越像真的。给它一份可查的材料、要求只在这份材料里回答，错误率会明显下降，把检索结果塞进上下文再生成就是这个思路；代价是材料里没有的东西它答不出来，而这恰恰是你需要它老实说「查不到」的场景。
交给它核查，它能做到哪一步
它擅长「找靶子」：把文里所有该核的地方圈出来、按风险排个序、指出哪几句在没来源的情况下不该出现。它不擅长「验靶」：你给的材料里没有的事实，它只能猜，猜出来的东西和原文一样像真的。把核查要求写进提示词时，要写死一条——不要判断我没提供来源的信息是否真实，只标注需要核实的位置。
它还会漏。图注、脚注、表格单元格里的数字常被跳过；「据估算」「业内普遍认为」这类没有主语的句子，它往往当成观点而不是事实；同一段里前后两个数字互相矛盾，它不一定看得出来。核查清单拿到手，仍然要自己从头扫一遍。
核到什么程度算够
强度跟着发布场景走。内部文档能自圆其说即可；公开发布的长文，每个关键数字都要有出处；涉及对外承诺、报价、合规表述的内容，除了来源还要有人复核。一条实用判断：如果这段被同行截图质疑，你能不能在三分钟内给出原始链接。给不出，就说明还没核完。
速查：发布前的事实核查
- 圈出全部数字、日期、人名、机构名、直接引语，按风险分三档
- 每个关键数字配一个能点开的原始出处，注明统计口径与时间
- 找不到来源的，删掉或改成定性描述，别写「据公开资料」
- 引语必须找到原话，转述改一个字，性质就从「不严谨」变成「不实」
- 定稿隔一晚再读一遍，重点看那些读起来最顺的句子
