知识工作怎么验证
代码可以看输出验证，知识工作不行：你必须审视过程、输入与推理。产品要为此设计。
代码和知识工作有一个根本区别，决定了你该怎么验证 AI 的产出：**代码高度输出导向，知识工作不是。**代码任务可以用测试验证做对没有；知识工作不能只看最终结果就相信它。seshan
你会遇到的现象：
- 让 AI 做了一份分析，数字很漂亮，但你不知道它怎么算出来的
- 让 AI 写了一份方案，读起来很顺，但你怀疑它漏了某个关键输入
- 让 AI 生成的东西看起来都对，却总担心哪里不对劲，又说不清在哪
为什么代码可以看输出
编码是输出导向的。你让 AI 做编码任务，可以用测试验证它做对没有——可以试、可以看它是否 work，验证基于输出。测试通过了，这件事大概率就是对的，因为中间的过程无关紧要：你不需要知道它的架构小决策，只需要它通过所有测试。
输出导向意味着验证很便宜、很客观、很快。这解释了为什么编码 agent 进展最快——它们有一个天然的裁判：测试。每次改动都能被立刻判定对错，反馈循环短得惊人。
为什么知识工作不能只看结果
知识工作不同。你不能只看最终 deck 里的数字（比如"90% 成功率"）就相信它。你必须审视过程、输入、推理，以及它是如何一路走来的。一个财务模型可以看起来很完整，却建立在错误的假设上；一份竞品分析可以读起来很全面，却漏掉了关键信源。
原因是知识工作的输出天然「可伪造」：一份漂亮的 deck 不证明推理是对的，只能证明排版很好。最终产物几乎不提供关于过程是否可信的信号——而过程恰恰是唯一值得相信的东西。数字越漂亮，越要问它从哪来。
产品要展示 proof of work
这给 AI 知识工作产品提出了明确的设计要求：让用户看到进行中的工作、看到引用与输入、让用户陪模型走完整段旅程，抵达最终输出。 用户需要能确信「这个东西是对的、好的、有用的」，而不是被丢一个成品。
这和向高管做执行会议汇报是同一件事：你 pitch「这是我们该做的事」，很大程度上是在帮助他们看到你为此做的工作、所有的步骤——AI 同样需要展示它的 proof of work（工作证明）。它做得越多、过程越透明，你就越能信任它的结论。
怎么检查一个 AI 知识工作产品
判断一个 AI 产品值不值得信任，别只看演示效果，看它给不给你三样东西：
- **过程可见。**它有没有让你看到进行中的工作、中间步骤，而不是只丢结论？
- **引用和输入可查。**它有没有告诉你每个数字、每个判断来自哪份资料？漏了哪个关键输入？
- **推理可跟。**你能不能沿着它的思考过程走一遍，看它怎么从输入到结论？还是只能接受一个黑箱答案？
这三样都满足，你才有机会验证它的工作；缺一样，你就回到了「只能信数字」的处境。另一个相关的检查是上下文：agent 是否拥有完成你要求之事所需的上下文——它能不能看到你的邮件、你的所有文档？一个没有上下文就开工的 agent，产出越漂亮越可疑。
什么该看输出，什么该看过程
不是所有知识工作都要走完整的证明过程。区分标准是后果的不可逆程度：结论错了会直接造成损失、难以发现、影响他人的，必须看过程——财务模型、方案推荐、对外文案、风险评估；结论错了很容易发现、可以快速纠正、只影响自己的，可以看输出——草稿、脑暴、摘要、格式转换。
一个务实的做法：把「需要相信」和「只是参考」分开。需要相信的，要求 proof of work；只是参考的，看输出就够。这两类混在一起，你会陷入要么全信、要么全不信的两难。