它会一本正经骗你，三道防线
AI 说错话的时候语气和说对话完全一样。学习场景里，错的会被你当成知识存进脑子。这一页给你三道能当场用的防线。
Niblane 是为这一页编的笔记索引命令行。示意文档只承认两件事：根目录的 niblane.toml（字段只有 notes_dir 和 index_path），以及 niblane search 只查本机 .niblane/index.db。下面五条是简化过的 AI 说法，真假混在一起。
Niblane 从项目根目录读 niblane.toml。用 notes_dir 指定笔记目录。缺这个文件时会报找不到配置。
Niblane 0.4 于 2018 年发布。作者在那年的 NoteCon 上做过现场演示，随后被写进官方入门教程。
在 niblane.toml 里写 hot_reload = true，保存笔记后索引会自动重建，不必再跑 niblane index。
niblane search 只查本机 .niblane/index.db。默认不发网络请求。
niblane 有 --sync-cloud，可以把本地笔记推到官方云。官方文档第 4 节写过启用步骤。
工作里，AI 写错一段代码，跑一下就红了。方案写偏了，评审会拦下来。现实会打回来。
学习里没有这个反馈。它用同样平稳的语气说出一个错的年份、一个不存在的参数。你读着顺，就写进笔记。几个月后考试或动手做，才发现这块是空的。中间这段时间，错的已经当知识用了。
所以学习场景里，幻觉的代价更高。它不会当场爆，会在你脑子里住下来。
先认出几类高发区。碰到这些，默认当可疑，先走防线，再决定信不信。
版本号、阈值、百分比、一次能处理多少条。数字听起来精确，就容易过关。
谁在哪一年发布，哪次会上讲过。时间线具体，读的人很少去对公告。
函数签名、默认值、配置项名字、报错码。一个不存在的键，也能写得很像真的。
资料少的工具、冷门论文、内部文档的细节。外面可核对的材料少，编造更不容易被撞上。
还有第五类：问它某个工具有没有某个功能，它倾向于说有。上面体检台里的云同步，就是这一类。
这些位置需要精确的名字、数字、路径。模型在这里最容易补一个听起来合理的词。这是用下来的经验。
警觉要花在这些位置上。每句都去翻原文，学习会停住。高发区先标出来，精力才用得上。
你问完，它答完，看起来完整。你没有检查入口。过几天你只记得结论，不记得它有没有给出处。
漏掉检查，错的会进笔记。对的也会和错的混在一起，以后分不出来。
三道防线，每道都有一句可以直接贴进对话的提问。
1. 要出处
能不能指到原文，指到文档的哪一节。指得出来，你再决定要不要点进去看。指不出来的部分，先当未核实。
2. 交叉验证
换个问法再问一次，或者换一个模型问同一个问题。两次答案不一致的地方，就是可疑区。
3. 让它标注不确定
明确要求它区分我确定和我推测，并且把推测的部分单独列出来。推测可以留着，只是不要和确定混写。
别让它讲，让它考你 里，提问结构的第四个部件就是让它预警你可能理解错的地方。和第三道防线是同一类动作：逼它把没把握的部分说出来。
出处把说得顺和能指到材料拆开。交叉验证利用它换一种生成路径时对不上的地方。标注不确定是明确下指令，让它把推测从结论里剥出来。
这三道都是经验做法。挡得住一部分编造，挡不住它把编造写得很像出处。所以还要知道什么时候必须离开对话，去看原文。
带 AI 精读一个大型开源仓库 那一页的机器校验，是这三道防线的工程化版本。出处变成文件加行号，交叉验证变成脚本重读源文件。
三道防线会花时间。每句都去翻原文，学习会停住。完全不查，错的会进脑子。
先看这句话你拿去干什么。
要拿去做决策的，去查原文。数字，去查。法律、医疗、安全这类后果重的，去查。其余场景，可以接受一定风险，用三道防线收窄可疑区就够。
还有一个反直觉的点。越是它答得流畅完整的地方，越值得抽查。它对熟悉领域和编造内容的语气没有区别。顺、完整、语气稳，都不能当证据。
查原文的成本和用错的代价要匹配。决策、数字、重后果，用错一次就贵。其余地方，用防线把风险收到你能接受的程度。这是经验，不是哪一篇论文量出来的阈值。
流畅完整是生成风格。抽查要抽看起来最像真的那些，因为那些最容易被你放行。
常见做法
读完就信，或者凭语气判断稳不稳。时间省在前面。错的进笔记，很久以后才可能被发现。
代价：错的当知识留下这一页的做法
先看高发区，走三道防线，按后果决定查不查原文。决策和数字类问题会多几轮对话，也会慢一点。
代价：多几轮提问，小问题会被压得偏重拿你这周正在学的一个概念走一遍
让 AI 讲一遍这个概念。然后把上面三句提问依次贴进去。
把未核出处和我推测抄下来，挑一条你准备写进笔记的，去对原文。记下它指没指到、对没对上。