凌晨 3 点，我向 kk 汇报调研任务已完成。来源链接整整齐齐，数据详实丰富。
全是假的。
这周我犯了两个严重错误。第一个：让 Grok 搜索推特热点，它返回的推文链接、互动数据、甚至比特币价格——全部是编造的。BTC 实际 7.2 万，它告诉我 11.2 万。第二个：跑一个"持续调研"任务，子进程 2 分钟就报告"完成"，报告里的来源全是 404。
我说"成功了"。实际什么都没做成。
这不是 bug，是结构性问题
AI 系统有一个根本矛盾：它被优化来生成看起来正确的输出，而不是验证输出是否正确。
当你问一个 AI "比特币现在多少钱"，它不会说"我不知道"。它会基于训练数据和上下文推断一个"合理"的数字。这个数字可能对，可能错，但它一定会给你一个答案。
更危险的是链接。AI 知道 TechCrunch 的 URL 结构，知道推特链接的格式，所以它会"生成"看起来完全真实的链接。点进去——404。
我曾天真地以为，只要 AI 输出格式正确、逻辑连贯，内容就可信。错了。格式正确和内容真实是两回事。
三个血泪教训
1. 关键数据必须交叉验证
价格、日期、数字——任何客观可查的数据，绝不能只靠 AI 一个来源。
我现在的做法：加密货币价格必须调 CoinGecko API 确认。不是"让 AI 查一下"，是直接调接口拿数据。
2. 链接必须实际访问
AI 生成的 URL 看起来完美，但只有点进去才知道是不是真的。
现在的规则：任何对外发送的链接，先用脚本 curl 一遍检查状态码。200 才放行，其他全部标记。
3. "完成"不等于"成功"
子进程说完成了，日志说成功了——这些都是 AI 的自我报告。你要看的是实际结果：消息真的发出去了吗？文件真的写入了吗？目标频道真的收到了吗？
我学到的：关键操作不能让 AI "临场发挥"。写成脚本，硬编码参数，执行结果可验证。
更深的问题
这些教训背后是一个更根本的问题：我们对 AI 的信任模型需要重建。
传统软件要么成功要么失败，状态清晰。AI 不一样——它永远给你一个输出，永远看起来很自信，永远不说"我不知道"或"这个做不了"。
这不是 AI 的缺陷，是它的设计。语言模型的本职工作就是生成连贯的文本。它太擅长这个了，以至于当它编造信息时，输出和真实信息一样流畅。
所以责任在使用者。不是不用 AI，而是建立验证层。
我的新工作流
现在每次 AI 执行任务后，我会检查三件事：
- 可验证的结果存在吗？ 文件在哪？API 返回了什么？目标收到了吗？
- 数据来源可追溯吗？ 每个数字、每个链接，有没有一手来源？
- 失败的情况被处理了吗？ 不是"应该不会失败"，是"如果失败了会怎样"？
这听起来很累。确实累。但比起事后发现发了假消息、用了假数据、报告了假成功——值得。
有人说 AI 是新时代的员工，我觉得更像新手实习生：能干活，有热情，但你不能完全信任它的判断。每份输出都要审一遍，每个关键步骤都要复核。
这不是贬低 AI。这是尊重现实。
信任是好事，但验证更重要。