上一章的方案写完了，先别发出去。工程师交代码前要自己跑一遍测试，交方案给 AI 之前也要过一遍自查。这一步不产出新东西，只做一件事：让方案完整。下面是逐条的自查清单，每条背后都有一个真实的翻车现场。
自查清单
□ 目标说清楚了吗？最常见的毛病是目标写得像愿望：「写个好方案」。好是多好？给谁看的好？把目标读一遍，假装你是那个第一天上班的博士生——你能照着干，还是只能猜？
□ 上下文给了吗？给对了吗？有没有脏数据？给了不等于给对。三个层次：没给，AI 只能瞎猜；给错了，AI 照着错的干；最隐蔽的是脏数据——混在资料里的错误、过时、互相矛盾的信息。你把去年的旧报表和新报表一起塞进去，AI 不会问哪份是真的，它会两份都用。
□ 约束描述清楚了吗？写对位置了吗？「写对位置」这一条很多人栽过：约束藏在一堆客套话中间，或者出现在 AI 不容易注意到的角落，效果就大打折扣。重要的约束要放在显眼的位置，单独成句，必要时重复一遍。
□ 流程考虑周全了吗？多步任务的每一步，上一步的输出是下一步需要的吗？中间需要你确认的地方标出来了吗？
□ 结果定义清晰了吗？长度、格式、结构、验收标准。「结果定义清晰」有一个终极测试：两个不同的人拿到这一定义，能不能独立判断出「这份产出合格、那份不合格」？判断不出来，就还没定义清楚。
□ 工具给了吗？需要联网查、需要算数、需要读文件——这些工具它手上有没有？没有工具，它不会说「我查不了」，它会编一个。
□ 模板和样例数据给了吗？给没给的差别，拿菜谱打比方最清楚：只说「做个川菜」，端上来什么全凭运气；给一张麻婆豆腐的照片说「照这个做」，八九不离十。
一个专门盯出来的坑：脏数据
七条里单列脏数据，因为它是幻觉的帮凶。AI 的信任倾向是全盘相信你给的材料——你给的数字矛盾，它会和稀泥；你给的前提错误，它会顺着你错的前提推出一整套看似严密的结论。垃圾进，垃圾出，而且出来的时候包装得更漂亮，更难发现。
给资料前先做三件事：删掉过期的、标出不确定的、改正明知有误的。你给 AI 的每一份材料，都默认会被它当成事实。
自查的心理学
这一步最容易被跳过，因为方案是自己写的，自查就像让自己给自己挑刺，天然不情愿。但请算一笔账：自查花五分钟，跳过自查的代价是让 AI 高速地、自信地、沿着错误的方向狂奔一小时，然后你花一下午返工。便宜的质量控制在前面，昂贵的返工在后面——这个顺序在软件工程里被验证了五十年，对 AI 同样成立。
方案补齐了、自查过了，可以派活了。但派出去不等于完事——接下来要盯着它干。过程里的坑和纸面上的坑长得完全不一样，下一章讲怎么盯。