我以前使用大模型时，最关注的是答案够不够完整。后来用得多了，我反而更在意另一件事：它的答案里，有多少内容其实没有把握？

大模型有一个很容易让人放松警惕的特点——即使信息不完整，它也能把答案组织得非常流畅。

日期缺失时，它可能自动补一个合理时间；需求没有说清楚时，它可能替用户做选择；找不到准确依据时，它也可能根据相似经验继续往下写。

这些补全不一定都是错的，但如果模型没有说明，我们就很容易把“合理推测”当成“已经确认的事实”。

我在 Prompt 末尾加了一份清单

现在遇到论文分析、技术方案、材料填写等需要准确性的任务时，我会在 Prompt 末尾加上这样一段：

回答之前，请先检查现有信息是否足够。

在答案末尾增加“不确定性清单”，分别列出：
1. 已有材料可以直接确认的事实；
2. 基于现有信息作出的推测；
3. 缺少依据、需要我补充的信息；


不要为了让答案完整而自行补全关键事实。

它并不能让模型突然知道更多，却能让答案的边界更清楚。

为什么这个方法对我有用

假如我让大模型评价一份技术方案，普通回答可能直接说“该方案能够提升系统性能”。加入不确定性清单后，它可能进一步说明：

• 可以确认：方案减少了一次重复查询；

• 推测：这可能降低接口延迟；

• 无法确认：没有压测数据，不能判断实际提升比例；

• 建议核实：对比修改前后的 P95 延迟和吞吐量。

两种回答给出的方向可能相同，但后者让我知道哪些结论可以直接采用，哪些只能作为后续验证的线索。

这个技巧在填写材料时也很实用。模型如果不知道作者顺序、项目级别或具体日期，就应该把它们列为待补充项，而不是根据上下文猜一个看起来合理的答案。

不一定每次都要输出四项

对于改写一句话、生成标题等低风险任务，没有必要增加复杂流程。我通常只在下面几类场景中使用：

• 涉及数字、日期、政策或版本；

• 需要根据文件内容得出结论；

• 技术方案中包含因果判断；

• 结果会被直接提交、发布或用于决策。

如果觉得完整清单太长，也可以只加一句：

请标出回答中无法由现有信息直接确认的内容，不要把推测写成事实。

它不能代替事实核查

需要注意的是，模型对自己是否正确的判断也可能出错。它可能对错误内容很自信，也可能对正确内容表现得犹豫。

所以，不确定性清单不是事实核查工具，更像一个提醒机制：它帮助我们发现回答中值得停下来检查的地方。涉及论文引用、政策要求、实时数据和重要决策时，仍然要回到原始材料或可靠来源进行确认。