# 模型、上下文与错误回答

Taiga Learning · 工作表
https://taiga.training/zh-CN/lessons/models-context/

使用虚构或获准信息。不要在工作表中写入秘密信息。

## 学习目标
- 区分模型能力与获取当前事实的能力。
- 识别缺失的约束何时会使看似合理的回答出错。
- 要求提供可以检查的证据。

## 练习
选择一个你理解的小函数。使用不含敏感信息的代码。
1. 请获准使用的 AI 工具解释该函数。
2. 提供调用方和一个失败的测试。
3. 请工具修正解释。
4. 记录发生变化的判断，以及促成变化的证据。
5. 记录仍存在的不确定性。

## 你的回答
- 场景与范围：
- 假设与未解决问题：
- 拟议答案或决定及其理由：

## 验证回答
| 说法或标准 | 证据或测试 | 结果或缺口 | 负责人 |
| --- | --- | --- | --- |
| | | | |
| | | | |
| | | | |

## 下一步行动
- 行动、负责人和日期：
- 何时复核这份回答？

## 应记住的原则
有用的输出需要模型能力，也需要正确的任务信息。清楚的解释不能证明模型检查过自己的假设。

## 来源
- [NIST: Generative AI Profile, AI 600-1](https://doi.org/10.6028/NIST.AI.600-1)

本工作表辅助学习。完成工作表本身，不构成对生产变更的授权。