那則論述是真的。我還是砍掉了它。
我第一封拒絕寄出的郵件，內容完全正確。
我記得那句話，因為我大概讀了四十遍：「我注意到貴公司近期已將 One-Way Truckload 車隊擴增至 2,735 輛卡車。」每一個字都是真的。Werner Enterprises 確實在向 SEC 提交的 Form 10-K 中自行報告了那個車隊規模。而我坐在正在打造的 demo 前，還是砍掉了這則論述。
那個決定大約讓我難受了一天。然後我覺得，這正是整件事的核心。
我開始這個專案時相信——就像現在幾乎所有在打造 AI 銷售的人一樣——敵人是幻覺。模型憑空捏造了某件事，假東西進了郵件，潛在客戶發現了，你的可信度就完了。抓住捏造就能贏。這套框架很乾淨、展示效果好，而我現在認為，它默默造成了大量寄件網域被燒毀。那句 Werner 的句子裡沒有半點捏造。它仍是我絕不會讓離開這棟樓的論述。
這篇文章談的是什麼改變了我的想法，照著它實際發生的方式來講——也就是緩慢，中間還有一個尷尬的一週。若你想看我最後打造出來的東西，它在這裡：veriprajna.com/zh-Hant/demos/ai-sales-intelligence。但產品本身是無聊的部分。有意思的是：為什麼一句真的句子並不是一句安全的句子，以及為什麼我不再信任模型來分辨兩者的差別。
我試圖讓模型批改自己作業的那一週
我花了大約一週，試圖讓語言模型自己抓出過時的引用，而我想誠實地說：它沒用。
紙面上的設定很合理。研究代理拉取事實。撰稿代理起草郵件，並被限制只能使用那些事實。然後事實查核代理對照來源閱讀草稿，並標記任何站不住腳的內容。三個代理、一條整齊的流水線，那種會在設計審查裡得到點頭的架構。我真心以為事實查核會是簡單的部分。
壞掉的正是這一部分。不是大聲地壞。那才是問題。事實查核代理會讀 Werner 的草稿，看到一句關於 2,735 輛卡車的句子，找到一個說有 2,735 輛卡車的來源，然後自信地核准。若唯一的問題是「是否有來源支持這個數字」，這是正確的。模型沒有持久的感知去知道：來源已超過兩年，而句子卻寫了「近期」。當我逼它推論日期時，它有時會抓到過時，有時又會放行，而我無法預測是哪一種。你無法預測的查核器，就不是查核器。它只是第二個意見。
真正落地的那一刻，是某個深夜，我把同一份草稿連續丟進事實查核三次，得到兩次核准、一次拒絕，輸入卻毫無改變。我盯著那個結果看了好一會兒。我是在要求一個機率系統，去當另一個機率系統的確定性閘門。
我是在要求一個 LLM 去當另一個 LLM 的可信裁判，還把結果叫做「查證」。
那不是查證。那是兩個模型達成一致，那是另一件弱得多的事。如果你需要查核器的整個理由，是模型的輸出不能照面值信任，那麼第二個模型的輸出就不能是你拿來信任、用來查它的東西。我建了一座鏡子迷宮，還貼上一張合規貼紙。
哪個更糟：捏造的事實，還是真實的事實？
打造過程中最讓我意外的是，我意識到捏造從來不是最可怕的失敗。真正可怕的是真實卻被誤用的論述。
想想當 AI SDR 幻覺出某公司細節時，實際會發生什麼。它常常是胡話、明顯不對，潛在客戶一看就刪。丟臉，沒錯。但真正讓你陷入大麻煩的論述，是那種可查核、正確，卻在脈絡上仍是錯的。它會安然通過每一道「這是不是捏造」的過濾器，正因為它不是捏造。文法完美。數字真實。而它是對現在式的謊言。
我開始把這叫做脈絡誤用，一旦有了名字，我在正在組裝的 demo 裡到處都看得到它。它有不只一種形態，但每一種都共享那個讓它危險的性質：每一則都是真陳述。
教我最多的那種形態是過時來源，而 Werner 是我第一次清楚看見它的地方。「近期擴增至 2,735 輛卡車」引用了真實的 10-K，但那份申報在 2024-02-26 落地，對照 demo 的工作日期已遠超過兩年。那個數字並未停止為真。「近期」這個詞已停止為真。那不是同一個事實，而來源比對查核卻把它們當成相同。
我用一個合成潛在客戶——一家叫 Northwind 的中型物流公司——又建了一次同樣的形態，這樣我就能展示這個模式，而不必假裝某家真實公司說過它沒說過的話。草稿聲稱 Northwind「近期擴展至亞太地區」。它有一個看起來真實的來源。來源日期是 2019 年 3 月，在 demo 裡大約是 2,652 天前，超過七年。論述與來源之間的依據吻合度是乾淨的 100%。實體吻合。而它仍是那種會讓潛在客戶覺得，你自上屆世界盃以來就沒看過他們的句子。
一個騎在過時來源上的真實事實，仍是對現在的謊言。日期是論述的一部分，無論句子是否承認。
另一種形態是同名碰撞，我也把它留成合成案例。「Northwind Logistics 剛完成 4,000 萬美元的 B 輪融資」背後有真實來源。來源談的是Northwind Inc.，一家奧斯汀的網路安全新創，一家碰巧同名的完全不同公司。每一個字對某一家 Northwind 都準確。沒有任何一句對這家準確。
請注意這三個例子的共通點。它們沒有一個是幻覺。如果你把整套安全故事都建立在抓住捏造上，這三個你全都會放行。這就是大家常引用、卻很少真正講清楚的 AI-SDR 崩盤背後的失敗模式。單次生成工具確實會幻覺出可量化比例的潛在客戶專屬論述，依某份產業統計約在 12% 到 18%（AI SDR Industry Report, 2026），但捏造至少是你能想像怎麼抓的失敗。真的但過時、真的但實體錯誤的論述，才是看起來像成功、直到讓你付出代價為止的那些。
是什麼讓我不再信任模型，而開始信任日期相減
最後真正管用的東西幾乎簡單到侮辱人，而我抗拒它的時間比我該抗拒的還久。
若 Werner 論述的問題是「近期」指向一個超出合理時效窗口的來源，那麼這道檢查就不是推理任務。它是算術。取來源日期，取工作日期，相減。若論述使用了時效語言，且差距大於 365 天，則該論述屬過時，且不會被寄出。來源年齡 2652 天大於時效論述上的 365 天，因此失敗。沒有提示詞、沒有溫度、沒有「作為一個 AI 語言模型」。只有一個數字與一個門檻。
一旦我允許自己寫下那個，其餘的檢查也都想變成程式碼。論述是否真的由來源片段蘊含——以內容詞的 token 重疊來衡量，並排除公司自己的名稱，以免句子只靠重複「Werner、Werner、Werner」就拿高分？程式碼。來源談的是這個實體，而非同名的另一家？程式碼。語言模型仍是作者，而且它是真正優秀的作者。它只是不當法官。
我最後把原則講成兩種我現在常說的說法。一種是「代理建議，程式碼裁決。」另一種是「不是 LLM 在裁判 LLM。」神經網路負責神經網路擅長的事，也就是寫出流暢、像人寫的草稿。確定性的純 Python 查證器負責程式碼擅長的事，也就是每一次都以相同方式套用相同規則。神經寫作，符號查證。產業對這種配對的用語是神經符號，不過我在乎標籤，不如在乎它買到的性質。
更好的模型會寫出更好的句子。它們不會讓一份兩年前的申報變成近期。那不是能力缺口。那是範疇錯誤。
而它買到的性質是可重現性。當我在同一輸入上跑查證器，我每一次都得到相同裁決。這聽起來像小工程便利。它其實是整場比賽，因為可重現性才讓一項決定變得可認證。我可以把軌跡交給你。來源年齡 2652 天，大於 365，存在時效用語，裁決過時，論述剔除。你可以重跑並得到完全相同的結果。一個 LLM 法官，即使很好，也無法向你保證這一點。我親身經歷過那三跑兩裁決的夜晚。我不會在那上面堆合規故事。
這不就是偽裝成另一種樣子的幻覺問題嗎？
幾乎每次對話都有人問我某種版本的這個問題，通常是技術背景的人，而我的答案隨著時間變得更短。不是。而它之所以不是，正是我認為這份工作能活過當前模型世代的原因。
幻覺框架悄悄假設：修復就是更好的模型。更大的上下文、更乾淨的訓練、更低的捏造率，最終問題縮到沒有。對純捏造來說，或許如此。它對我真正在乎的失敗什麼也做不了。一個完美的模型——從不發明任何一項事實——仍會愉快地在 2024 年的申報上寫「近期」，因為從草稿內部看，那句子是真的、流暢的，也正是你所要求的。模型對日曆沒有義務。「擴增至 2,735 輛卡車」與「近期擴增至 2,735 輛卡車」之間的落差，不是規模能彌合的落差。
市場正用最艱難的方式反覆教這課。AI-SDR 類別為了量能與基於訊號的個人化大力優化，卻大多跳過了那一步：用當前、實體正確的來源重新查證產出的論述。經濟面並不仁慈。企業 AI-SDR 年流失率大約落在 50% 到 70%（UserGems, 2026）。最常被引用的警示故事 11x.ai，募得 7,400 萬美元，卻在 2025 年崩解，流失率據報在 70% 到 80%（TechCrunch）。你不會因為模型偶爾幻覺就交出那些數字。你交出它們，是因為輸出看起來個人化卻不可信，而買家最終會感覺到差異，即使他們叫不出名字。
所以我不斷回到的論點很直白。個人化不是查證。你的 AI SDR 主要不是有幻覺問題。它有查證問題，而更好的基礎模型修不好它，因為查證與溯源不是模型能力。它們是你包在模型外圍的系統性質。
個人化不是查證。查證與溯源不是模型能力。它們是你圍繞模型打造的系統性質。
「100%」實際被允許意味著什麼
我想在這裡謹慎一點，因為這正是創辦人容易過度宣稱的地方，而我正在打造的公司，名字取自相反的本能。
demo 裡有兩個數字，它們不是同一個數字。第一個是Veracity Score，也就是受支持論述除以草稿中事實論述總數。它回答的是「AI 寫的內容有多少結果為真」，而在真實草稿上它往往遠低於 100，這正是它誠實且有用的地方。Werner 郵件失去了頭條論述。Northwind 郵件失去了兩則。那是系統在運作，不是失敗。
第二個數字是寄出完整性，且它依建構即為 100%，只要還有任何東西存活，因為政策閘門會在郵件被允許寄出前剔除每一則不受支持的論述。保證不是「AI 總是對的」。保證是「寄出去的郵件只含有來源支撐的論述」。那是非常不同的承諾，而我看過有人把它們混成一個大得多、也假得多的承諾。
還有一個基準，而這是我拒絕縮短的句子：在一組固定、人工標註的 25 個案例黃金集上，確定性查證器拿到 25 中之 25 的正確裁決。那是該標註基準上的 100%。它不是對開放世界的斷言，不是對你收件匣的承諾，也絕不是「零幻覺」——我認為任何誠實的人都不該說這句話。模型仍在起草。草稿仍含未證實的論述。重點是未證實的會被抓住並剔除，而這次抓住夠確定性，足以認證。任何人向你兜售零幻覺保證，賣的都是我花了一週卻沒建成的東西。
我也會直說，因為我對自己的準則要求如此：demo 的連接器是模擬的。EDGAR 拉取、新聞檢索、CRM 回寫、實際寄送，全部做成 stub。真實的是機制：檢查、閘門、稽核軌跡，以及 Werner 10-K 摘錄——那些是真實的公開紀錄。我向你展示的是引擎如何裁決，不是一條裝著你資料的生產流水線。若你想看它裁決，它再一次在這裡：veriprajna.com/zh-Hant/demos/ai-sales-intelligence。
我留下的問題
我發現這次打造在我身上改變的最後一件事，比論點還小，卻黏得最久。
demo 裡還有第三個潛在客戶，一家合成的 FINRA 受監管經紀自營商，它的草稿出來完全乾淨。每一則論述都受支持，沒有任何剔除，完美的 Veracity Score。而政策閘門仍把它轉給人審，因為它受監管、是高階主管、又是大單，規則說不管草稿多乾淨，那些都要人看。第一次看著一封完美郵件被攔下審查時，我的本能是系統搞錯了。它沒有。我只是在不知不覺中假設：正確與安全是同一種性質。
它們不是。一則論述可以為真卻不安全。一份草稿可以乾淨，卻仍需要人。整份工作最後變成把這些概念分開，並同時為兩者而打造，而不是把它們壓成一個適合當標題的數字。
所以我想留給你的問題，是我現在在任何 AI 寫成的東西離開我手之前都會問的。不是「這是不是真的」——那個我通常答得出，而且通常不夠。更難的那個：我現在能否證明，哪一份當前來源支撐這則精確論述，而那份證明能否經得起一個想讓它失敗的人？
若答案是否定的，模型變得多好都無關。這句話還沒準備好寄出。
