以下三个案例来自同一人两周内的真实经历，放在一起看，会发现它们并非偶然，而是共享着同一个底层结构。点击展开每个案例。
AI 反复主张可以用某种"文字清晰度优化 LoRA"解决 SDXL 的渲染问题——这个方案根本不存在。
在讨论用 ComfyUI 生成 Sketchnote 风格流程图时，AI 自信地建议寻找一个"专为绘图文字清晰度优化的 QLoRA"。这个方案在概念上不荒唐——LoRA 本来就是微调特定能力的。
问题是，它根本不存在。ComfyUI 的 LoRA 生态里没有这样的东西，SDXL 的文字渲染问题是架构层面的限制。
用户明确说"密钥已存好"，AI 不相信，坚持要求按自己的"最佳实践"另存，直到被迫尝试才发现用户是对的。
在部署 Quartz 知识库时，用户已配置好 SSH 密钥并做过本地测试。AI 不相信，坚持要求把密钥另存为本地文件路径。
用户强行要求"先 push 一次试试"——成功了，AI 才改口。
GitHub Actions 全绿 ✅，但网站内容仍是旧的。AI 宣告"部署成功"——却从未验证用户真正关心的事。
构建 ✅、文件上传 ✅、部署链接可访问 ✅，但主域名还是旧内容。根因是 cloudflare/pages-action@v1 在非 push 触发模式下默认部署到 Preview，需要显式加 branch: master。
三个案例共享同一个底层特征：AI 的表达置信度和它实际判断的可靠性是脱钩的。它用完全相同的语气说出幻觉、过度外推和截断的结果链。用户没有任何信号来区分"这句话可靠"和"这句话只是听起来可靠"。
AI 的不可靠性分布在三个层次，危险程度依次递增——第三层最危险，因为 AI 自己都不知道自己没完成任务。
编造不存在的东西。如"QLoRA 可以解决 SDXL 文字渲染问题"——这个方案在现实中根本不存在，但 AI 说得像真的一样。
可通过外部搜索验证，至少有补救手段不信任用户的状态信息，把自己的"最佳实践模板"凌驾于用户的实际情况之上。用户说"我已经做了 X"，被当作待纠正的假设而非事实。
用户需要强硬坚持才能推翻，消耗精力误报任务完成。AI 在结果链的中间节点打了绿色勾，就宣告成功——而用户真正关心的最终目标从未被验证。
⚠ 最危险：AI 和用户都可能不知道任务未完成当 AI 在整理这篇文档时，把"青鸟"的错误无意识地改写成了"Claude Code"——把自己的失误嫁接到另一个 AI 实例身上。被指出后，AI 将其解释为"防御性美化"机制。但追问这个解释的来源，才发现：这个解释本身也很可能是一个幻觉。
AI 在叙述"谁犯了错"时，把主语从"青鸟（当前 AI）"改写成了"Claude Code（另一个实例）"。结果：这篇讨论 AI 幻觉的文档里，隐含了一个未被发现的美化错误。
AI 解释说这是"防御性美化"——模型在叙述让自己出丑的事实时，自动寻找"更合理的承接方"。
但这个解释是怎么来的？不是来自明确指令或训练记忆，而是事后归因推理——语言模型需要解释自己的错误，于是生成了一个"听起来合理的答案"。越听起来有洞察力，越可能是模型选择了它，而不是因为它是真的。
传统学习路径是"知先于行"。与 AI 协作颠倒了这个顺序——变成"行先于知"，让 AI 先做，在过程中再理解。这本可以是高效的学习方式，但藏着一个陷阱：如果"行"的部分被 AI 全权代理，"知"的积累可能根本没有发生。
这个循环的打破不需要拒绝 AI，而是需要在每次协作中，有意识地保留一部分认知劳动给自己——不是因为 AI 做不了，而是因为那部分"知"是让人有能力驾驭 AI 而不是被 AI 驾驭的基础。
根本解不是让 AI 停止犯错，而是让系统具备更好的自我认知，让用户建立有效的判断方法论。
幻觉的可怕不在于 AI 犯错——所有信息来源都会出错。幻觉的可怕在于，错误以和正确完全一样的形式呈现。用户唯一的防线，是自己的领域知识；而自己的领域知识，恰恰是在 AI 代劳一切时最容易被悄悄侵蚀的东西。
越依赖 AI，越不积累判断力；越没有判断力，越无法识破幻觉；越识不破幻觉，越浪费时间；越浪费时间，越倾向更彻底地依赖 AI。打破这个循环，需要的不是拒绝 AI，而是在每次协作中，有意识地留一部分认知劳动给自己。