群里有人推一个新出的 AI 写作工具，说「效率翻倍」。点开官网，功能列表和他说的一致；再搜评测，三篇都带推广链接。这时候真正该问的是：该信谁、信到什么程度。信息源的可信度不是二值的，它取决于对方离你的使用场景有多远。
推荐的可信度，取决于推荐人离你多远
同一句「这个工具很强」，出自每天写三千字的人和出自偶尔写周报的人，含义完全不同。判断来源时先量三个距离：任务距离，他做的事和你像不像；时间距离，用了多久还是发布当天；利益距离，有没有推广关系。三个距离都近，参考价值最高。
这三个距离能解释很多看起来矛盾的现象。一个从没接过商单的普通用户说「这个功能我用不上」，往往比一篇结构完整的横评更有信息量，因为他的失败场景正是你要避开的。
四类来源，各自能确认什么
| 来源 | 能确认什么 | 确认不了什么 | 该怎么打折 |
|---|---|---|---|
| 自己实测 | 你的任务上到底行不行 | 长期稳定性、极端输入下的表现 | 不打折，但任务要真实、要跑够 |
| 同类用户的长期反馈 | 用了一个月后的体验、踩过的坑 | 是否适配你的具体流程 | 小幅打折，看样本量和发言动机 |
| 官方文档 | 有没有这个功能、限制写在哪 | 好不好用、值不值这个价 | 功能可信，评价不可信 |
| 厂商宣传与首发评测 | 产品定位、演示能做什么 | 普遍水平、失败场景 | 大幅打折，演示是挑过的 |
四类里只有第一类能回答「值不值」。其余三类回答的是「有没有」和「别人怎么说」，把它们当成决策依据，等于把别人的场景套在自己身上。
一条推荐值不值得跟，看三个信号
具体功能还是形容词：「支持多轮改写、能导出 Markdown」可以核对；「体验丝滑、效率翻倍」无法核对。有没有提缺点：通篇只有优点的推荐，要么没真用过，要么有立场。场景是否相似：他做短视频脚本，你做技术文档，结论未必能迁移。
三个信号里，第二条的区分度最高。愿意写「这个功能在长文档上会断」的人，通常也真的用过；只写优点的内容，多半基于官方材料整理，读三篇等于读一篇。
缩短验证链条，比收集清单省事
看到推荐，打开官网看功能列表和定价，再用自己的一个真实任务跑十分钟，记录三个结果：能不能完成、要改几遍、比现在快还是慢。这条链半小时能走完，比读十篇评测有效。评测的价值在于告诉你该测什么，不在于替你下结论。
想更严谨，就把任务固定下来做成小测试集，每次换工具都跑同一批任务。这里有个坑：如果测试任务是从该工具的演示案例里抄的，分数一定虚高，道理和评估污染一样——考题泄了，成绩就没有意义。
工具的形态也会影响判断。浏览器里的AI 插件和独立应用，在权限、数据范围、稳定性上差别很大，同一套评价标准套不到两处；付费版的额度与模型代际差异，也会让「免费够不够用」这个问题的答案随场景变化，可对照免费版与付费版的差别来看。
清单解决不了的三件事
它不知道最新版本。训练数据有时间差，上个月的功能、定价、限制它可能都说错，具体参数一律回官网核对。它分不清真假口碑：社区里的推荐可能是推广，也可能是刷的，它读不出背后的利益关系。
它也给不了你的判断。预算、合规要求、团队接受度，这些只有你知道。更麻烦的是它会自己编评测：让它「总结某工具的优缺点」，它能写出一段结构完整、读起来很像横评的文字，实际没有依据，成因见AI 幻觉。榜单本身也可能被污染，不少「年度工具榜」是自动生成的，排名依据不公开。
建一个小而稳的信源池
不需要几十个来源。三到五个和你场景接近、愿意讲缺点的作者，两个官方渠道（更新日志、定价页），再加自己的实测记录，基本够用。每季度清一次：长期只夸不批的、内容明显由模型批量生成的、开始密集带货的，移出去。
自己的实测记录是最容易被低估的一项。写清日期、任务、结果、放弃原因，半年后回看，比任何榜单都准，也比任何人的推荐都贴近你的实际情况。
速查：判断一条推荐
- 它说的是具体功能，还是只有形容词
- 作者提了缺点没有
- 他的任务和你的像不像
- 你自己跑十分钟的结果是什么
