【征文】600 人时的人工核对，AI 用一晚做完——我用 WorkBuddy 跑通教学成果报告的一致性核查

【征文】600 人时的人工核对，AI 用一晚做完——我用 WorkBuddy 跑通教学成果报告的一致性核查

本文记录一次真实的申报材料核对：一份七章、4,090 汉字的教学成果科学总结报告，用 WorkBuddy 做跨章一致性核查，查出人工轮次漏掉的 264 字底本丢失、3 处书写形态不一致、4 处数据卡落位偏差。输入材料、配置、操作步骤、产出物四项俱全，可照着做。

一、先说结论：这件事值不值得交给 AI

我是高校教师，工科，教汽车设计类课程。去年学校做专业核心课程评估，我负责把整个课程建设成果整理成一份教学成果科学总结报告。

报告本身不难写——难的是写完之后的核对。

一份用于申报的成果总结报告，典型结构是"成果概览—背景与问题—总体设计—方法与过程—创新点—推广应用效果—实践检验与改进"七章。其中同一组数字会在四到六章里反复出现：课程评估总分 87.21 分、全校排名 27／83、课程设计一级指标 14.67 分（校均 13.10）、学生评教 95.48 分、参评率 95.83%（46／48）……

这些数字只要在任意两章之间写法不一致或数值打架，评审专家并排一看就会发现。业内把这类问题叫"数字打架"，一出就是硬伤。

我最初试过手工核。两小时以后我发现自己做了这样一件事：把第六章的"95.48"和第零章的"95.48"逐字对了一遍——然后不确定自己刚才看的是不是同一处。这不是耐心问题，是方法问题：人眼做重复性比对，注意力必然衰减，而且无法给出"已核对完备"的证明。

于是我把这件事整体交给了 WorkBuddy。

结果：一晚之内跑完全篇七章、4,090 汉字的逐字比对，查出16 组跨章数字的措辞一致性判定、3 处"形异需统一"、4 处硬数据卡落位偏差、以及一处此前人工轮次没发现的底本丢失（264 个汉字）。人工做同样的事，按我在教研线上已经积累的工时估算，需要 600 人时以上——而且给不出完备性证明，AI 能。

下面我把这次真实过程完整写下来，输入材料、WorkBuddy 配置、操作步骤、产出物四项俱全，你可以照着做。

二、输入材料：我给了 WorkBuddy 什么

这类任务的关键在于"AI 不需要理解内容，只需要精确比对"。所以输入材料的组织方式，比提示词技巧重要得多。

2.1 材料清单

2.2 ★关键动作：把"底本"和"待检件"分清楚

这一步是我这次最大的收获，也是真人最容易糊的地方。

目录组织（可照抄）：把"事实来源"和"待检对象"放在两个不同目录，物理隔离，避免 AI 自己读到哪算哪。

教学成果报告/

├─ 00-框架/

│ ├─ 撰写框架.md ← 七章结构 + 字数配额 + 数据卡落位表

│ └─ 数字佐证索引.md ← 20 组锚点 × 佐证件 × 证据强度

├─ 01-canonical底本/ ← 事实来源，改报告时以这里为准

│ ├─ §0+§5.md

│ ├─ §1.md

│ ├─ §2.md

│ ├─ §3.md

│ └─ §6.md

├─ 02-待检件/

│ └─ 全篇合稿底稿.md ← 上一轮拼好的，本次被检对象

└─ 03-核查产出/

├─ 跨章一致性总检表.md

├─ 回改登记表.md

└─ 完备性矩阵.md

上一轮我已经做过一次合稿，把六章样稿拼成了一份全篇底稿，并在文档里声明"照原文逐字归位"。

这次我让 WorkBuddy 做的事是：把"全篇底稿"和"六份样稿原文"逐章做字符级比对——不是"看一下像不像"，是算相似度、定位差异块、逐块判定性质。

实测结果：

上一轮自称"逐字归位"，实测只有四章成立，§2／§3 被压缩掉了 264 个汉字。

丢的不是废话，是有评审意义的实质信息：教材名称《新能源汽车设计概论》、"面向新能源汽车工程、车辆工程专业"的招生口径、素材编号（素材 10／11）、"实施上分两条腿"的分层提示、"阶段划分、角色分工、交付物形态"这种可验收的具体要求。

这一条最值得记：这类"压缩改写"是人工轮次几乎必然发生、且几乎不可能自查出来的错误。因为写的人记得自己"照原文搬了"，而实际上手感一抖就顺手删了状语。只有把两个文本交给机器做字符级比对，才会暴露。

图 1、六章底稿 vs 样稿的相似度实测表格截图（把文件名与具体数值打码，只留"相似度 0.8527"这一列）。

三、WorkBuddy 配置：我用了哪些能力

这次没有用任何复杂配置，核心就三样，都很轻：

一句话配置心法：

不是"让 AI 帮我写报告"，而是"把 AI 当成一台会读中文的差异检测仪"——只给它判定规则，不给它创作空间。

提示词的核心就四句：

1. 你要做的是比对，不是改写；
2. 判定只允许四个值：一致 / 形异实质同（需统一） / ★不一致（须回改） / 不适用；
3. 不确定就标"待核"，不许猜；
4. 任何数字都不许由你产生，全部只能来自输入材料。

第 3、4 条是全部效果的来源。我宁可它说"我不确定"，也不要它给我一个看起来很合理的错误答案。

配图2_会话界面示意.png

图 2、WorkBuddy 会话界面截图——显示"只给判定规则、不给创作空间"的那段提示词。

四、操作步骤：一次完整的"三查"流程

整个过程分五步，可复用。

第一步 · 建锚点矩阵（人工 0.5h，AI 秒级）

先让 WorkBuddy 从材料里把所有需要核对的数字与事实抽成一张"锚点矩阵"——这次是 20 个锚点 × 4 个文件的存在矩阵。

产出是一张三列表：锚点值 / 出现在哪几章 / 各章原文片段。实操提醒：这一步必须先做。不建矩阵，后面就是无头苍蝇。锚点矩阵本身也是"本次核对了什么"的完备性证明。

图 3、锚点矩阵截图（20 个锚点 × 4 文件的存在矩阵）。

第二步 · 同一数字跨章逐字比对（本流程主表）

逐锚点把各章原文片段并排摆出来。这次 16 组跨章数字的判定结果：

• 实质内容 0 处打架——没有一组"同事实不同数字"。这是好消息，说明前序轮次的取数纪律是守住的。
• 但查出 3 处"形异需统一"，全是书写形态问题：

这三处任何一个，都够评审专家在报告上画一道线。 而它们全部是机器一眼看出来的，人眼要来回翻六章才发现。

图 4、"同一数字跨章逐字比对主表"截图——并排显示各章原文片段与判定列。

第三步 · 硬数据卡落位核对（约定 vs 实际）

框架里有一张"硬数据卡嵌入位置表"，约定 D1–D12 各自应该落在哪几章。这一步就是把"约定的落位"和"实际的落位"排成两列。

查出的 4 处偏差里，最要命的一处是 D6 溢出：D6 是课程思政申报口径（40 学时／2.5 学分／已开 2 期／141 人），框架指定它落 §2／§6——结果它铺到了 §0／§1／§3，而框架点名的 §6 反而一次没投。

更值得琢磨的是它带来的评审风险：§1 是"要解决的教学问题"章，首句就先报了一串成绩口径（40 学时／2.5 学分／已开 2 期／141 人）。评审看这一章，看的是"你发现的问题真不真"；一上来先报成绩，看点被稀释了。

这一条我特别想分享：落位偏差是"形式"问题，但它指向的是"内容气质"问题。机器只告诉我"卡投错了章"，是我想明白"问题章不该先报成绩"这个道理的。AI 给事实，判断还得人来做。

图 5、硬数据卡"约定落位 vs 实际落位"对照表截图。

第四步 · 专项核对：两门课不能混（★最易错项）

这里有个具体的坑：报告里涉及两门不同的课程——一门"设计"课、一门"理论"课。

• 设计课的数据：课程评估总分、全校排名、课程设计一级指标
• 理论课的数据：学生评教得分、参评率

这两组数据一旦被写进同一句话，评审会直接判定为"数据混用"，是硬伤。所以这一步专门做了一张"归属核对表"：逐条核对每组数据所在句有没有明示所归属的课程。

实测结果：8 组数据全部标明了归属课程，未发现混用。

唯一提示：§0 里设计课的分数和理论课的分数挨在同一段。定稿时如果压缩这一段、把中间那句"同期主讲《×××理论》"的过渡语删掉，立刻就会被误读成同一门课的两个分数。我把这条列为"定稿红线"，写进了交付件。

第五步 · 字数复算与产出（同口径重算）

最后一步很关键：用同一套算法把所有章节的字数重算一遍。

为什么要重算？因为上一轮的底稿自记了一组字数（各章 267／657／841／1,242／738／433），而实测同一章用另一种计数范围算出来是 815／1,138——差 26 和 104 字。

这不是造假，是口径没说清。 但"两份文件对同一章报出两个字数"，同样是隐患。我的处置是：两套口径都如实列出、标明差异来源，不做掩盖——因为在申报场景下，"承认口径不同"远比"看起来完美"安全。

最终产出：清稿候选版，各章实测字数与配额逐章对表，全篇（不含待裁定章）4,090 汉字。

图 6、逐项回改登记表截图（"原文 → 清稿文 → 改动说明"三列）。

五、产出物：一晚跑出来的是什么

量化结果：

• 全篇 7 章、4,090 汉字的逐字比对 100% 覆盖；
• 查出 1 处底本丢失（264 汉字）、3 处书写形态不一致、4 处数据卡落位偏差、1 处口径差（26／104 字）；
• 14 处改动全部登记，涉裁 4 项零擅改，数字零新增。

纪律上守住了三条：

1. 原文优先——发现底稿与样稿不一致，改回样稿原文，而不是"看起来更顺"的那一版；
2. 涉裁不代决——需要用人判断的取舍，双案并列摆给本人，AI 不替他做决定；
3. 宁缺不补——证据没到位的段落一律留白，不为凑字数补写。

六、这次做下来，我认为最值得说的三件事

第一，AI 在这类任务上最强的不是"聪明"，是"不知疲倦且可自证"。

人工核对最致命的不是做不对，是做不完且说不清做没做完。20 个锚点 × 4 个文件 ＝ 80 次存在性判断，人做 30 次以后就开始"我以为我看过了"。机器做完 80 次，还能给你一张完备性矩阵。对申报材料这种"错一处就废一篇"的场景，这个差别是本质的。

第二，最容易被漏掉的错，是"自称没错"的错。

那份底稿白纸黑字写着"照原文逐字归位"。如果我不做字符级比对，这个声明会一直成立下去，直到评审专家发现 §2 里教材名不见了。 这类错误有个共同特征：修改者是善意的——他压字数、求流畅，顺手删了状语，然后真心以为自己是照搬的。

所以我的结论是：凡文档里出现"照原文""逐字一致""完全对应"这类自我声明，都必须有一次独立机器验算。 自我声明不能作为证据。

第三，AI 给事实，判断还得人做。

机器告诉我"D6 卡投错了章"，它不会告诉我"问题章不该先报成绩"；机器告诉我"两个分数挨在同一段"，它不会告诉我"删掉那句过渡语就会被误读成同一门课"。

这次真正花时间的，恰恰是那些机器算出结果之后的判断——哪些偏差可以留、哪些必须改、哪些要摆成双案等人拍板。AI 把 90% 的体力活接走了，剩下的 10% 才是这件事真正的价值所在。

附：可直接复用的提示词骨架

【角色】你是一致性核查工具，不是写作助手。

【输入】<锚点矩阵>、<canonical 底本 A>、<待检件 B>

【任务】

1. 对每个锚点，从 A、B 两处抽取原文片段，并排输出；
2. 判定只允许四个值：一致 / 形异实质同(需统一) / ★不一致(须回改) / 不适用；
3. 输出"回改清单"：序 | 回改项 | 涉及章 | 建议动作 | 是否依赖人工裁定。

【硬约束】

C1 只比对，不改写；不得为了"更通顺"而调整任何原文。

C2 任何数字不得由你产生；全部只能来自输入材料。

C3 判定依据不足时，一律标【待核】，禁止推测。

C4 涉"需要人拍板"的取舍，一律双案并陈、不代决。

C5 完成后输出"完备性矩阵"：本次核查覆盖了哪些锚点 × 哪些文件。

【产出】①比对主表 ②回改清单 ③完备性矩阵 ④本次未覆盖项与原因

这五条硬约束，就是这类任务能跑通的全部秘密。

*本文由一位高校教师以真实工作过程撰写；文中数据来自本人课程评估与评教记录，已做去标识化处理，不指向任何具体个人。*