一句话结论先说结论：社区推荐不难用，难的是口径——口径定了，结果才有可比性。
一个人用社区推荐最怕没对照。本篇给了核对清单，按条打钩，结果就是可交差的。
用社区推荐最贵的不是时间，是拿错误结果做决定。本篇在每一步都写了核对点，照着核，就不会带错数字走。
- 同样的输入跑两遍，结果一致再用
- 结果出来先看数量级对不对，再看精确值
- 关键数字单独核一遍，不依赖单一来源
社区推荐的假结果长什么样
第一个坑是照搬别人的参数：别人的口径和你的任务未必一样。第一周能跑通，第三周必出幺蛾子。判断标准：你开始跳过核对了，风险就来了。结果截图加一行口径备注，事情的性质就变了。
第二个坑是拿单次结果下结论：一次异常不可怕，可怕的是没核对就用了。基础没跑通就上批量，每次报错都像从头再来。
第四个坑是无留痕：没有留档的社区推荐结果，出错时连复盘的线索都没有。连续顺畅之后翻车，常被误读成运气问题，其实是校验缺失。等社区推荐稳定跑满两周，再动任何参数。
用社区推荐之前要定的事
社区推荐有个前提要先立住：你的输入本身是可信的。这也是为什么后面所有步骤都在做同一件事：让结果可复现。接受工具的局限，是用好它的第一步。
把社区推荐放进真实任务里看，牵扯三样：输入、口径、交付对象。口径写清楚之后，加班时长才谈得上——不然你连对比的基准都没有。
社区推荐的第一步从哪开始
第一次用社区推荐，把任务砍到最小：一条数据、一个参数、一次试跑。准备值得比操作更多投入，因为操作时的你赶时间。小到你觉得「这也算一次」，它才算真正跑通。粗糙的跑通，胜过完美的计划。
先写清楚「正确结果长什么样」，再开始操作。触发条件越具体越好：不是「要用的时候算」，而是「每到下班前半小时就算」。第一次别调参数，只走通流程。
社区推荐的批量与自动化
这个阶段可以记录一个指标：耗时、出错率、返工次数。校验点守住了，提速才不会变成冒险。能长期用的流程，恢复和回滚一定很快。
给社区推荐配一个搭子工具，共用同一份输入。两件事背靠背做，成本增加很少，漏掉其中一个的难度明显上升。三周三个小改动，效率完全不同。
社区推荐的核对清单对照
| 情形 | 建议做法 | 核对点 |
|---|---|---|
| 口径存疑 | 换算法交叉验 | 两种算法偏差范围 |
| 头两周 | 单条试跑，固定参数 | 结果与已知答案一致 |
| 输入格式变化 | 先改规范再跑 | 首条人工复核 |
| 满三个月 | 复盘删减步骤 | 全流程走一遍 |
| 换季/换政策 | 核对口径更新 | 与官方口径比对 |
社区推荐稳定使用后的维护
提前写好异常版本：输入缺失、格式不对、结果异常时怎么办。每批花两分钟回看：错了几条、错在哪层、下批只改一处。
让工具替你分担：模板固定在位，常见错误加一道校验。每加一个参数问一次是否必要，三个月后回看，一半可以删。同样的流程多跑十五条，而不是不停换新工具。步骤越短，越可能在赶时间的日子里活下来。
- 同样的输入跑两遍，结果一致再用
- 备一个「回滚」方案，专治跑砸
- 在日历上标出政策/口径的复查日
- 每周回看一次出错记录，只改一处
- 把默认参数抄下来，和自己的需求对一遍
- 给结果区截图，附一行口径备注
常见问题
为什么同样的提问结果不一样
生成式模型带随机性。要稳定输出，就固定提示词结构并在提问里给示例。
AI 说的能直接用吗
不能。把它当成一个反应快但会自信胡说的实习生：产出要核对，责任在你。
社区推荐会不会取代这个岗位
它取代的是重复劳动部分。判断、担责、关系维护目前还得人来，方向是把省下的时间用在后者。
怎么判断信息是编的
让它给来源、换一种问法再问一遍、关键数字单独核实。三招能挡掉大部分幻觉。
涉及官方口径的数字，本文一律指向官方渠道核对，工具只做估算。
社区推荐奖励的是没人围观的老实批次。跑小、跑稳、记下来，一个月后问题就不再是会不会用，而是下一步把哪段自动化。
社区推荐最终会变成不需要讨论的事，就像存文件到固定位置。到那天你不会觉得自己熟练，只会觉得本来就该这样。