通用方法 · 熟练
两个 AI 各看一半，分歧处才是问题
不是多问一个，是多分一个
一份判断之所以失真，多半不是模型不够聪明，而是它同时看见了「数字」和「你是谁」——于是既会替你找理由，也会被你的处境带着走。做法是把判断拆成两路：一路只给数字，不告诉它这是谁的事；另一路只给处境与偏好，一个数字都不给。两路各出一份结论，只有分歧的地方才进入第三轮。这一页给这套互审的三步（分料 → 各判 → 只对分歧）、两份可直接粘贴的指令，以及三个会让它失效的坑。
方法 · 一图看懂
1
先把料分成两堆 — 一堆是硬数字（金额 · 次数 · 时长 · 指标），一堆是处境（谁在用 · 怕什么 · 想要什么）
2
两堆各进一路，互不可见 — 数字那路不告诉它这是谁的事；处境那路一个数字都不给
3
两路都要「先看什么」的清单 — 不是要结论，是要一份排过序的清单，顺序本身就携带判断
4
只对分歧做第三轮 — 一致的部分直接采信；不一致的逐条追问「你还缺哪条信息就会改判」
5
改动先成卡 — 任何要执行的动作先落成一张待确认的卡，点了确认才做
原理 · 为什么有效
这套结构有效，靠的是三件事。
1. 把两类误差分开。一次失真通常同时含两种误差：口径误差（把退款算成收入、把转账算成支出）与立场误差（替委托人找理由，或按自己的处境替对方下结论）。合成一路判断时两者混在一起，只能整体说「不太对」；分开之后，口径误差只可能出现在数字那一路，立场误差只可能出现在处境那一路，定位成本从「重做一遍」降到「看哪一路先错」。
2. 信息不完整会逼出显式的不确定。拿到的是半份材料时，模型更倾向于把「我不知道」写出来，而不是编一个圆得过去的答案；拿到全份材料时，它反而会用处境去补数字的空。
3. 分歧本身是筛子。两路一致的结论大多不依赖假设；两路不一致的地方，恰好是「假设在起作用」的位置 —— 那才是需要人拍板的地方，而人一天能认真拍板的次数是有限的。
适用场景
适用：要做一个有成本的判断（换不换工作 · 买不买这东西 · 这个方案要不要投）· 手上同时有硬数据与软处境 · 已经用过一次 AI 但觉得它「顺着我说」的人。
⛔ 不适用：事实性问题（查一个日期 · 一个价格）—— 那不需要互审，只需要核来源。
⚠️ 前提：你得能真的把两堆料分开。分不开就说明你还没想清哪些是事实、哪些是偏好；这一步做不了，后面两步都只是形式。
自测 · 6 问
我能把这件事的材料分成「数字」和「处境」两堆吗？有没有哪一条让我不知道该放哪边？
我的数字那一路，前提口径（哪些算支出 · 哪些算一次性 · 时间窗多长）写清了吗？
处境那一路，我有没有真的一个数字都没给？还是「只给了一点点」？
两路结论一致的那几条，是不是恰好都不依赖我的假设？
两路不一致的地方，我说得出「是哪条假设在起作用」吗？
上一次 AI 给我的建议，我是点了确认才执行的，还是它说完我就照做了？
怎么上手 · 验证步骤
第一次别拿大事练。挑一件这周要做的中等决定（换个宽带套餐 · 要不要报一个课），把材料分成两堆，分别喂给两路，看它们各自的「先看什么」清单 —— 两路都排在第一位的，多半是你真正该先处理的事；如果两路排第一的是两件完全不同的事，别急着选，先回答「它们各自默认了什么」。跑完三次再上大事。
自检动作：写一句「这次两路分歧在哪、我最后按哪条假设拍的板」。写得出来，说明互审真的发生了；只写得出「两个 AI 说的差不多」，多半是你把同一份材料喂了两遍。