WITHOUT
没有这个模型
未使用AI输出质量评估框架时，容易依赖直觉处理「收到AI输出但不确定是否可以直接使用」，缺少稳定的分析边界与检查步骤。
WITH
使用这个模型
使用AI输出质量评估框架后，可围绕「系统化评估AI输出质量的五维框架：准确性/推理完整性/幻觉风险/实用性/一致性」执行结构化分析，并依次检查推理结果。
01
适用信号
- 收到AI输出但不确定是否可以直接使用
- AI给出的结论感觉「对」但难以验证
- 需要比较多个AI回答的质量
02
不适用与停止条件
- 纯创意输出不需要事实核查
- 已有明确评估标准的场景
03
推理协议
- 01
准确性检验：核心事实是否可验证？有没有明显的错误？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 02
推理完整性：逻辑链是否完整？有没有跳跃？中间步骤是否显式？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 03
幻觉风险：有没有过于具体的数字/引用/案例但来源不明？这是高风险信号
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 04
实用性评估：这个回答能直接指导行动吗？还是停留在原则层面？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 05
一致性测试：如果换一种问法，答案是否保持一致？不一致说明推理不稳健
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
04
场景示例
收到AI输出但不确定是否可以直接使用
在企业管理场景中，以「系统化评估AI输出质量的五维框架：准确性/推理完整性/幻觉风险/实用性/一致性」为分析主线，按模型提示词执行并检查结论。
AI给出的结论感觉「对」但难以验证
在产品设计场景中，以「系统化评估AI输出质量的五维框架：准确性/推理完整性/幻觉风险/实用性/一致性」为分析主线，按模型提示词执行并检查结论。
需要比较多个AI回答的质量
在分析洞察场景中，以「系统化评估AI输出质量的五维框架：准确性/推理完整性/幻觉风险/实用性/一致性」为分析主线，按模型提示词执行并检查结论。
收到AI输出但不确定是否可以直接使用
在决策思维场景中，以「系统化评估AI输出质量的五维框架：准确性/推理完整性/幻觉风险/实用性/一致性」为分析主线，按模型提示词执行并检查结论。
AI给出的结论感觉「对」但难以验证
在任务管理场景中，以「系统化评估AI输出质量的五维框架：准确性/推理完整性/幻觉风险/实用性/一致性」为分析主线，按模型提示词执行并检查结论。
05
常见误区
- 过度追求完美会导致决策瘫痪
- 某些高质量输出可能在某些维度刻意留白