AI 说得头头是道，但怎么判断它说得对不对？建立一套系统的评估方法，是从"随便用用"到"深度使用"的分水岭。
大多数人评估 AI 输出的方式是：看起来不错，感觉挺好，就用了。
这在低风险场景下勉强可以——比如问一个菜谱、找个句子改改语气。但只要涉及任何重要的事：商业决策、医疗建议、法律问题、技术实现……这个策略会让你付出代价。
一个律师助理看到 AI 写出的案例分析，措辞严谨、逻辑清晰、引用详尽——他直接用了。结果 3 个案例是 AI 虚构的，法庭上被直接打脸。一个产品经理让 AI 分析竞品，得到了一份有数据、有图表的漂亮报告——但数据是 AI 基于训练期的记忆"推算"的，竞品早就换了策略。
问题不是 AI 说错了你没发现。问题是你没有建立评估习惯，就等于默认信任了一个有时正确、有时一本正经地说错话的系统。
这不是某个权威机构的官方标准——而是从大量实践中提炼出的，五个你每次都应该问自己的问题。
记忆方法：CARLA——五个维度的首字母。
把你刚刚得到的某个 AI 输出放在旁边，用下面这个评分器对照评估。每个维度 1–5 分。
点击星星为每个维度评分（1星 = 很差，5星 = 很好）
当你的总分低于 15 分，通常意味着这个输出需要大幅修改或重新提问。高于 20 分，说明输出质量较高，做针对性调整后可以使用。
CARLA 是通用框架，但在具体应用时，不同任务类型有不同的评估侧重点。
| 输出类型 | 最重要的维度 | 最常见的坑 | 核查方式 |
|---|---|---|---|
| 事实查询（定义、历史、数据） | 准确性 ↑↑↑ | 虚构来源、数字错误、过时信息 | 搜索引擎交叉核实，尤其是数字和人名 |
| 分析报告（竞品分析、市场调研） | 推理性 ↑↑↑ + 局限性 | 基于过时数据，逻辑跳跃，结论过于笼统 | 追问"你的数据来源是"，核查关键数字 |
| 创意写作（文案、故事） | 对齐性 ↑↑↑ + 可用性 | 风格不对、没抓住受众、过于公式化 | 大声朗读，感受语感；让目标用户看看 |
| 建议决策（方案选择、策略） | 局限性 ↑↑↑ + 可用性 | 遗漏重要约束，过度简化，缺乏风险提示 | 追问"有什么你没考虑到的情况吗" |
| 代码生成 | 准确性 ↑↑↑ + 可用性 | 编译可过但逻辑有误，依赖版本不匹配 | 运行测试，边界条件检查，code review |
| 翻译润色 | 对齐性 ↑↑↑ | 过度意译，专业术语错误，语气偏移 | 对照原文逐段检查，关键术语单独确认 |
这些是 AI 输出中需要立即提高警惕的语言模式。它们不一定意味着输出是错的，但意味着你需要主动去核实。
发现质量问题后，很多人的本能是放弃这个对话，重新开始。但更高效的做法是定向追问——用具体的评估维度告诉 AI 哪里不够好。
"这个回答不太好，重新写一下"
问题：没有给 AI 具体信息，它只会给你一个风格不同但同样问题的新版本。
"你引用的那个数字（473 亿美元）是哪里来的？能告诉我数据来源吗？"
原则：针对具体维度追问，迫使 AI 明确信息来源和置信度。
"你的分析太浅了，给我更深入的分析"
"你的分析没有考虑到我们是 B2B 公司、目标客户是中小企业这个约束。基于这个重新分析一下，重点说渠道策略。"
"逻辑有问题，帮我修一下"
"你在第 3 点中说'用户愿意付费因为产品质量好'，但这个推断没有考虑竞品价格和用户替代成本，请补充这两个因素重新推导结论。"
把评估行为嵌入使用流程的三个阶段，而不是事后补救。
把这个框架用于真实场景，是建立习惯的最快方法。