第二课教了分块处理——把20篇稿子切成小块，每块产出结构化结果，最后汇总。
现在问题来了：假设你产出了100张「知识卡片」，每张包含概念、解释、例子、常见误解。你扫了一眼前5张，质量不错。但第37张呢？第82张呢？
你不可能全部人工检查。而AI的毛病你是知道的：
跑到后面，AI开始省略步骤。第80张卡片的解释只有一句话，而第1张有三段。
你问「有没有问题？」，AI说「没有问题。」但实际上第42张卡片把两个概念搞混了。
第67张卡片引用了一个不存在的「来源」，写得有模有样。
第55张开始，JSON格式悄悄变了——多了一个字段、少了一个逗号，汇总脚本直接报错。
脉络原话：「AI都会犯的问题——会偷懒、会过度自信、会目标漂移。」
这就是工程治理的第二道防线：质量保障。
这是一个死结：
| 如果…… | 问题 |
|---|---|
| 人工检查100张卡片 | 耗时巨大，违背了用AI提效的初衷 |
| 不检查，直接发布 | 错误内容会误导用户，信任崩塌 |
| 让AI自己检查自己 | 它说「没问题」的时候往往最有问题 |
工程治理给出的解法不是「更努力地检查」，而是改变检查的方法论。下面四个策略，从基础到进阶。
核心思路：不依赖AI的「自觉」。用格式强制逼它每次都产出同等质量的结果。
对比一下两种Prompt：
❌ 坏的Prompt（给AI偷懒空间）
「帮我总结这个概念，包括解释、例子、注意事项。」
AI可以写三段也可以写一句——没有约束。
✅ 好的Prompt（结构化约束）
「输出以下JSON格式，每个字段不少于指定字数：
{ "concept": "概念名", "what": "一句话定义（≤30字）", "why": "为什么重要（100-150字，≥1个例子）", "misconception": "常见误解（50-80字）", "source": "引用原文段落（必须存在）" }」
关键技巧：
source 字段要求引用原文——杜绝幻觉核心思路：不要让同一个AI既当选手又当裁判。用一个独立的「检查Agent」来验证结果。
具体做法：
Agent B的Prompt关键：
不是「检查一下这张卡片有没有问题」
而是「这张卡片引用的原文段落是XXX，请逐条核对：①概念是否准确对应原文？②例子是否来自原文而非编造？③误解部分是否在原文中有依据？三个问题必须分别回答是/否，任何一个为否则退回。」
核心理念：验证比生成更需要精确指令。笼统的「检查一下」等于没检查。
核心思路：不查全部，查有代表性的样本。如果样本的错误率超过阈值，整批作废重来。
操作流程：
为什么这比「全部让AI检查」靠谱？因为你亲手验证了样本。样本不欺骗你，而AI的「自我检查」会欺骗你。
这个方法在企业里叫质量审计（Quality Audit），工厂抽查产品用的就是这个逻辑。
核心思路：接受「AI一定会出错」的事实。工程治理不是追求零错误，而是错误发生时能快速定位、回滚、重跑。
具体设计：
| 机制 | 做法 |
|---|---|
| 幂等性 | 每条知识卡片有唯一ID。重跑同一块不会产生重复数据——旧结果被覆盖而非叠加 |
| 回滚点 | 每处理完10张卡片，打包存一个快照。发现第11-20张出错 → 从第10张的快照恢复，只重跑11-20 |
| 错误日志 | 每次失败记录：哪个块、哪个Agent、什么错误、时间戳。能快速定位「哪一步经常崩」 |
| 防线 | 防什么 | 一句话原则 |
|---|---|---|
| ① 结构化约束 | 偷懒、格式漂移 | 用格式强制替代自觉 |
| ② 交叉验证 | 幻觉、过度自信 | 不让同一个AI当选手又当裁判 |
| ③ 抽样审计 | 批量质量问题 | 抽查10%，不合格→全批重来 |
| ④ 回滚重试 | 不可恢复的错误 | 允许失败，但必须能回滚 |
你想做「AI小白理解复杂知识」的系统。把这四层防线嵌进去：
脉络说的「AI自主跑几十个小时达到99%目标」，关键不是AI不出错，而是出错了能被逮住、能被修好。四层防线就是干这个的。
实操作业：拿第二课的「分块处理」结果，挑一张知识卡片，用策略二（交叉验证）让另一个Agent检查它。记录：检查Agent发现了原Agent没发现的什么问题？
推荐搜索：「LLM evaluation」「AI output validation」「prompt engineering structured output」