两件事在机制上就不同。

搜索引擎做的是检索加排序。它把网页抓回来建成索引，你搜的时候从索引里找出相关页面，按一套公开的规则排个序，然后交给你。它本身并不理解内容，只负责找和排。

大模型做的是生成。它按概率一个词一个词往下写，写之前并不去查证。它之所以看着懂很多，是因为训练时读过的文本里的语言规律和事实关联被压进了参数。

编答案的根源就在这里。遇到训练语料里稀少的细节，它仍然要往下写，写出来的就可能是语言上通顺、事实上有误的东西。这种输出有个专业说法，叫幻觉。

所以两者的使用方式不能混。搜索引擎给的是线索，需要你自己判断。大模型给的是一段成形的话，需要你回头去核。它接上联网也只是在生成之前多了一步检索，生成这一环照样按概率写，误读材料的情况仍然存在。

我踩过一次，印象挺深。

去年帮我妈查一个慢性病门诊的报销比例，问 AI 给了一个数，我照着准备了材料，到了窗口发现不对，是另一个数。回头看它那段话写得特别确定，还分了两种情况说明，我一点没怀疑。

后来琢磨明白了。这类信息各地不一样、还经常调整，训练数据里本来就乱，它凑了一个看起来合理的出来。

现在的做法变了：让 AI 帮我搞清楚该问什么、要带哪些材料，具体数字一律去官网或者打热线确认。多花五分钟，省掉跑一趟。

所以我不觉得它没用，只是要把它放在合适的位置上。当草稿用挺好，当依据用容易出事。

还有一类情况更隐蔽：它给的数字是对的，但前提条件被省掉了。比如告诉你某个比例，却没说那只适用于特定人群。这类错法最难发现，因为你核了数字没问题，就以为整段都对。

想分辨它有没有在编，有几个信号可以看。

看它有没有给出来源。愿意说清是哪个文件、哪个页面的，比只给结论的可靠一些。给了来源就去点开看一眼，确认能打开、内容和它说的一致。

看它说得是不是过于具体。数字、日期、文件编号、人名，这些越具体越要警惕。流畅的一段话里突然冒出一个精确的编号，往往就是编出来的。

看它跟你给的材料有没有出入。你贴了原文，它的回答里出现原文没有的内容，那部分要单独核。

看换个问法它还答不答得一致。同一个问题换个说法再问一遍，答案差得离谱，说明它对这块本来就不确定。

这几个判断不需要专业知识，养成习惯之后几秒钟就能过一遍。

还有个办法是让它自己说把握。问一句「这部分你有多大把握」，虽然它的回答不一定准，但如果它主动说不确定、建议核实，那就是个提示。反过来，答得越斩钉截铁又没有来源的，越要警惕。

最需要警惕的是这几类问题，答错了后果比较重。

政策类的，包括各种补贴的申领条件、截止时间、覆盖范围。各地标准不同而且常改，训练数据永远滞后。

医疗类的，用药剂量、禁忌、检查指标的含义。这类问题错一点后果不小，问医生比问 AI 稳妥。

法律和合同类的，条款怎么解释、责任怎么划分。表述差几个字，意思就变了。

金额和比例类的，报销多少、收费多少、税率多少。这些数字最容易被编得很像真的。

还有两个隐蔽的坑：它会顺着你的话往下编，你说一个错误前提，它当成真的继续答；它还会自己补细节，话说得越具体越像真的，而具体恰恰是幻觉的高发区。

这几类问题，AI 的答案只用来决定你去哪里查，不用来当结论。

还有一点容易被忽略：别拿它给的答案去跟别人争论。传出去之后，错的信息会被当成你的判断，责任也跟着落到你头上。