做 AI 项目，先完成一个小验证

一个 AI 项目的想法，往往从“能不能让模型帮忙做这件事”开始。但“看起来回答得不错”很难成为继续开发的依据。把目标缩小，明确输入和输出，再保存一组可以重复检查的例子，才更容易看清下一步。

把目标写成一个可以检查的句子

以整理学习笔记为例，“让 AI 帮我学习”太宽泛；“从一段笔记中提取三个核心概念，每个概念附一句原文依据”，就有了相对清楚的检查方式。这只是一个实验示例，并不意味着模型一定能稳定完成任务。

在开始之前，先写下三个问题：

• 输入是什么：一段文字，还是一份带有标题和段落的文档？
• 输出是什么：自由文本，还是字段固定的结构化结果？
• 什么算失败：遗漏关键信息、增加原文没有的内容，还是格式无法读取？

保留样本，也保留失败

先准备少量自己能够逐条检查的材料，覆盖普通输入、很短的输入和信息不足的输入。开发时使用其中一部分，另外留一部分，在修改后再检查，避免只把提示词调整到适合熟悉的几个例子。

模型给出流畅的文字，并不能证明结论正确。如果要求输出原文依据，就应逐条回到原文核对。原文没有足够信息时，允许结果明确说明“信息不足”，比强行填满所有字段更有用。

每次只改一个主要变量

如果同时换模型、换提示词，又换输入材料，就很难解释结果为什么改变。小实验可以固定材料和检查标准，一次只调整一个主要因素，并记录模型标识、输入、提示词和输出。需要注意，同样的输入也可能得到不同结果，一次成功并不能代表稳定可用。

能解释为什么失败，才有依据决定下一步怎么改。

最后，用自己的话复述一次

完成小验证后，不急着做复杂的界面。先写下：这个实验解决了什么问题，在哪些例子上失败，还有什么没有验证。如果这些边界能够讲清楚，下一轮实践就有了更具体的起点。

这里记录的是一种学习和验证思路，没有附带真实项目的性能结论。真正应用时，还需要结合具体材料、成本和错误影响重新验证。