结果交到你手上了。从这一章开始进入全书最挑战的部分：结果校验——怎么判断 AI 给的东西到底行不行？这件事要分三层做：先看长相（语法层），再看证据来源（数据源层），最后看意思对不对（语义层）。顺序不能乱：长相都不对的东西，没必要讨论它的意思。这一章讲第一层。
什么是语法层
语法层管的是形式：输出的结构、格式、schema 对不对。Schema 翻译成人话就是「规定好的格式清单」——比如一份用户信息表必须包含姓名、电话、邮箱三列，一列都不能少。语法层的校验只回答一个问题：「它长的是不是我要求的样子？」至于内容真假，这层不管。
做法一：格式自测（CF test）
第一个做法叫 CF test，全称 conform test，大白话就是「对照规范自查」。流程是：
- 你先定义一份格式规范。比如让 AI 生成数学练习题，你先写清楚：每道题必须包含题干、四个选项、唯一正确答案、难度标签。
- AI 按规范生成题目。
- 再让它自测：逐题对照规范，检查生成的题目是不是满足格式定义的每一条。
注意这里的巧思：检查格式是一件 AI 自己很擅长的事。判断一道题出得好不好很难，但判断「有没有四个选项」「有没有标答案」是机械核对，AI 做得又快又稳。把校验拆出「它能可靠完成的部分」交给它，你才有精力盯它完成不了的部分。
做法二：结构化结果抽样评审
第二个做法更进一步。AI 生成一大批结构化结果——比如一百条客服回复——你不可能全看。做法是抽取最典型的样本，一个字段一个字段过、一个变量一个变量过。
过完样本还有关键的一步：把你在评审中发现的问题，提炼成一套明确的规则——「回复必须包含道歉句」「金额必须带单位」「不许出现'大概'」——然后用这套规则让 AI 对全部结果做 self test。这样你就完成了一次升级：从「人肉抽查」收敛出一套可执行的检验标准。下一次生成，标准直接内置，质量一轮比一轮稳。
底线：编译和 lint
如果产出是代码或结构化文档，语法层有一条更硬的底线：拿机器去卡。生成的代码拿编译器编一下、拿 lint（静态检查工具，大白话就是「代码的语法老师」）扫一下——编译通过、没有语法结构报错，这是底线。生成的 UAT 测试模板（验收测试清单），一个字一个字过一遍。
语法层的精神：能用机器查的，绝不用眼睛查。机器不疲倦、不偏心、不打哈欠。你的眼睛要留给机器查不了的东西。
这层查不出什么
泼一盆冷水：语法全对的东西，可能错得离谱。四个选项齐全的数学题，答案可以是错的；编译通过的代码，逻辑可以是反的。语法层只是入场券——它保证的是「这份答卷值得被认真批改」。内容可不可信，要看证据从哪儿来，这是下一章的事。