生成—审计—人工裁决三段式工作流

这是什么

一条针对 AI 研究产物的三段式工作流：先用结构化提示生成研究初稿，再用独立于生成工具的审计接口对初稿逐句质疑，最后由人对每条异常做裁决。它强调"生成"和"审计"必须解耦——同一个模型审自己，往往会复述同样的错误。

三段构成

第一段：生成

• 把宽泛研究主题改写为结构化提示（概念边界、案例数、证据类型、读者、篇幅）。
• 用 AI 研究工具生成正文、引用列表、数据表、图表和 assets。
• 完整保留全部产物用于后续核验，不要只复制最终文字。

第二段：审计

• 把完整报告交给独立于生成工具的搜索/事实核查接口（如 Raycast + Tavily preset）。
• 要求审计工具指出具体句子、具体数字和对应引用，而不是总体评价。
• 收集异常清单：证据不足的量化数字、引用格式问题、链接状态、访问权限、内部资产混入、未来日期等。

第三段：人工裁决

• 对每条异常分类：证据不足 / 格式问题 / 访问受限 / 来源类别错误 / 真实缺失。
• 打开论文原文与附件，用 Google Scholar、DOI、出版商页面或会议官网核对。
• 区分"链接不存在"与"机构付费墙"，区分"未来日期"与"幻觉"，区分"内部资产"与"外部证据"。
• 最终把生成报告降级为"可修改的初稿"，对未核实内容加标记。

适合谁

• 需要快速建立陌生技术领域地图、并愿意逐条核验的研究者、教师与研究生。
• 已经习惯把"生成"与"审计"解耦的 AI 工作流使用者。

常见经验与失败点

• 不要让生成工具同时承担审计角色。
• 不要只审计总体可信度，要审计具体句子、具体数字、具体引用。
• 不要把审计工具的"可疑"标签直接当成造假结论。
• 不要丢弃 assets 文件——它们是判断"内部 vs 外部"的关键物证。
• 不要把通过审计的生成报告直接当作可发表成果。

适合的配套方法

• 引用核验五层分层方法 — 在"人工裁决"段使用的五层引用核验。
• 把宽泛研究主题改写为结构化调研提示 — 起点任务。
• 审计 AI 生成的研究报告 — 中段任务。
• 对照原始来源核验 AI 报告中的量化数字 — 量化数字裁决。
• 区分 AI 报告的内部资产与外部证据 — 来源类型裁决。

关联案例

• 玉树芝兰用 Perplexity Labs 生成反向学习调研报告并完成审计 — 玉树芝兰 2025-06-09 实测反向学习主题时的完整三段式记录。

来源

• SRC-LEARN-007：实测 Perplexity Labs：10分钟生成学术调研报告的全流程解析 — 本文作者走过的完整链路。