跑了 23 次行业日报后 I回头自查，发现前 10 期有 11 条有问题

一个在强合规行业做自动化的人，聊聊怎么让 AI 干出来的活敢拿去签字

作者背景：汽车玻璃制造企业检测实验室 · 负责 CNAS 实验室认可 + ECE 法规认证证书管理

数据截至 2026-10

先回答标题里的问题：那 11 条是什么

先给结论，免得你一路读下去还不知道值不值。

我做的行业日报自动化跑了 23 次。某天我突然想：前 10 期里，有多少条其实站不住？

于是全部拉出来重跑一遍核对，结果是：

前 10 期里，11 条有问题或需返工（6 条不成立 + 5 条参数归属错误），另有 5 条虽成立但需补官方原文。

而这批日报是我“按时发出、格式整齐、看起来很专业”的。如果我不回头查，这 11 条会一直躺在我的记录里，直到某天被人拿来当依据。

这才是我今天想写的全部内容。

一、第一个坑：AI 最危险的不是做错，是“看起来对”

刚开始用 AI 做合规类工作时，我踩过一个典型坑。

某份行业报告提到「R43 新增耐盐雾 1000h + EMC 限值下降 5dB」。如果这条成立，意味着要调整整个对欧出口方案。

我没有逐页翻标准，而是直接拿本地那份官方 R43 全文 PDF 做关键词计数：

同时认定 EMC 限值属于 UN R10（电磁兼容），不是 R43（安全玻璃）。结论：这条信息不成立，不能据此做任何决策。

图：R43 Rev.4 整合版（200 页）+ Amend.1~8 修正案原件的全本关键词检索结果。核验执行 2026-09-15，2026-10-07 复现结果一致。注意 p.96 唯一那个 corrosion 的上下文——是燃烧试验的夹具用耐腐蚀材料，与盐雾试验毫无关系。

这就是我最大的体会——在合规领域，AI 最擅长的是把错误信息流畅地复述出来。它不会告诉你“这个结论没有条款号支撑”，只会把“具体数值 + 无出处”讲得特别像真的。

所以我给自己定了一条硬规矩：

法规结论必须以官方原文为准。禁用文档分享站、认证代理软文；“具体数值 + 无条款号”的结论，一律直接退回。

这条规矩后来变成了我所有自动化任务的第一道关卡。

二、我把“AI 说的”降级为“AI 帮我找的”

关键动作是：不让 AI 直接下结论，而是让它把结论的证据链摊开。

我现在跑每条行业动态，必须走五道关卡（G1–G5）：

任何一条不过，就不进入我的日报。这套关卡后来帮我从源头拦下了大量问题——但真正让我震惊的是回头自查的结果。

你可能觉得“这也检查得太狠了”——但反过来想，如果这 10 条是我自己手工看原文，漏掉的概率是多少？AI 让我有了批量自查的可能，仅此而已，但它绝不该替我判断。

三、否定证据法：它比肯定证据更可靠

上面那个“0 次”的方法，我后来封装成了标准动作，叫否定证据法。

要推翻一个说法，不需要证明它错，只需要在权威原文里找不到支撑，且能确认“它应该在的地方也没有”。

这个方法的妙处在于：它是可复现的。任何人都能拿同一份 PDF、跑同一个脚本、得到同一个数字。AI 在这里的作用是“帮你写这个脚本”，而不是“替你相信结论”。

类似的还有锚点意识：跨系统传递数据时，record_id 是唯一可靠锚点，绝不能靠文件名或序号传内容。我曾因为用序号传，导致 6 张讲解卡内容全部错位——而如果当时只写“文件名”看起来更简洁。

四、让 AI 做“可验收”的活，而不是“看起来完整”的活

举两个真实的对比。

失败的做法：整理成绩单 → 让 AI 分析 → 输出结论。

结果：格式漂亮，但不可追溯，出了错没人知道错在哪一步。

成功的做法：整理成绩单 → 让 AI 分析 → 强制输出每一分的得分来源。

结果：任何一个结论都能一路追回到原始行。

同样的思路我还用在文档生成上：

• 文档 HTML 化后，跑 html-review 五维质检（design-token 合规、结构完整、排版合理性、文体契合度、装饰合理性），不通过就回炉。实测有周报一次就拿到 95 分。

• SVG 图形必须过 XML 解析器才算数——因为“浏览器里看着对”和“文件是合法的”是两件事。

五、几条具体的、救过我命的经验

1. 说了规则却没写检查脚本，规则一定会被自己违反

我给自己的小程序定过一条规则：「所有文案集中到 const.js 管理」。

结果一扫描：68 处硬编码文案散在 8 个 wxml 文件里。

于是我补了一个事务式替换脚本，89 处全量校验，任一处不匹配就整体不写。第一次跑就拦下 1 处错配。

结论：规则的执行力不能靠自觉，要靠脚本。

2. 批量文件操作会被周期性打断，必须设计成可重入

迁移 67 份月考卷，脚本跑到 31 份被 SIGTERM 打断了。删除脚本更惨，被打断多次，进度从 67→65→43→21→16→0。

我的对策：

• 循环重试 + 每轮核对剩余数，不假设一次跑完

• 删除操作内置双保险：「同名且大小一致」才删

第二条尤其重要——真正的保护不是“别删错”，是“删错了能自动停下”。

3. 归一化规则里，“删除噪声词”是个陷阱

我想把 24 所学校的卷子归一化，第一版用了“删掉校区名 / 噪声词”。

结果：把「交大附中嘉定」的嘉定删了，把「存志高中学英语」的级中删了。两版文件名逻辑都判错，差点误删不同学校的卷子。

正确做法：改用 24 所白名单 + 内容哈希 md5 去重，绝不做“看起来安全的删除”。

凡是“删掉 X 之后剩下的应该是 Y”这种推理，X 里面往往藏着关键信息。

4. 接口不存在就明说，不要假装能做

我在资料库 skill 里想批量删除重复文件，翻了 api-manifest.json 的 33 个 API，确认没有 delete-node 接口。

那就如实告诉用户：「接口不支持，请手动清理这 17 份“__重复待删__”文件」——而不是编一个“已清理”的结果。

同理，做立体几何试卷时有一道题算出了二面角 0° 这种退化结果。我的处理是标注“见原卷解析版”，不编造答案。

退化结果（0°、平行、重合）往往是题意理解错了的信号，不是答案。

六、给不同角色的一点建议

如果你做认证 / 检测 / 合规类工作：

一定要建“否定证据法”习惯。AI 帮你找原文可以，帮你判断不行。把结论的证据链摊开比拿到结论本身重要。

如果你做批量数据处理：

所有去噪规则都要有兜底。永远假设“我以为的噪声”里藏着你不知道的信息。

如果你在小程序 / 网页上做生成：

本地 localStorage 按源隔离——公开链接经过 302 → SPA 外壳 → iframe 三个不同源，进度不会共享。这个坑我踩过，隐私场景下反而正好符合需求。

如果你和我一样要养孩子 + 上班：

AI 最好的用法是把你不想重复做的流程固化掉，而不是替你做判断。我把周报、归档、组卷、OCR 清洗这些都固化成了技能，把“要不要相信”这件事留给自己。

七、一点数据参考

• 日报自动化连续跑了 23 次，回头自查前 10 期发现 11 条有问题（6 条不成立 + 5 条有误）

• 证书台账核对：110 个证书号零遗漏 + 220 张截图录入

• 月考卷归档：67 份 / 0 失败，MD5 逐文件校验后清源目录释放 622 MB

• 英语词组背诵台：2876 词组，可挖空 78%，8628 次出题验证 0 次答案泄漏

• 错题本知识点体系 59 条，立体几何卷 22 题 / 44 幅原卷图零转录

这些数字都不是为了炫技，而是想说明一件事：AI 在这些场景里的价值，是让我有余裕去做“回头自查”这件事。手工流程下，我不会有这个余裕。

一句话总结：

让 AI 干活很容易，让 AI 的活可被审计很难。但只有后者，才能真正用在有签字责任的地方。

如果你也在做类似的合规 / 检测工作，欢迎交流你踩过的坑——尤其是那些“看起来做对了其实错了”的，那才是真正花钱的地方。