AI 不该替我做决定，它应该让我没法含糊过去

我做 Offer 决策工作台，是因为自己真的遇到过一种很难受的状态：信息很多，但没有一条足够确定。岗位描述写得很好，面试官聊的方向也不错，HR 给出的回答却经常比较模糊。网上能搜到公司评价，但你不知道它对应哪个部门、哪一年、哪种处境。

最容易做出的产品，是让模型给两个 Offer 打分，然后生成一个明确推荐。它看起来非常有用，也很适合演示。但我越做越觉得，那个分数可能是整套系统里最不可靠的部分。

五项评分会制造一种不存在的精确

成长性 82，稳定性 76，技术深度 88。三个数字放在一起，人会自然地相信 88 比 82 更好。

可这些分数的来源可能只是 JD 里的几句话、一段面试反馈和几条公开信息。字段缺失时，模型仍然很擅长补出一个完整答案。完整不等于可靠。

所以我后来把系统改成 retrieval-first：先找公开信号，再让模型基于证据整理，最后由 Java 服务做合并、降级和风险提示。即使如此，我也不认为它能“算出正确选择”。真正有价值的输出反而是那些没有结论的地方：哪些信息需要向直属 leader 确认，哪些说法没有足够证据，以及用户自己的条件是否互相冲突。

一个决策工具应该制造更好的问题

现在我更愿意把它理解成“提问生成器”，而不是“答案生成器”。

系统先区分三件事：已经确认的事实、可以从公开信息推测的信号、必须向具体的人核验的问题。最后一类不是分析失败，而是最接近行动的部分。

如果明天就要答复 Offer，一份漂亮的行业分析未必来得及改变什么。但一个足够具体的问题可以直接发给 HR：试用期考核标准是什么？过去半年团队有多少人转岗或离开？新人前三个月会负责哪类任务？

这些问题无法保证得到真话，却至少让“我感觉这个更好”变成可以继续验证的判断。

模型应该暴露它的犹豫

我希望下一版能把不确定性做得更明显，而不是只在结尾放一句“结果仅供参考”。比如让每个结论都带来源、时效和证据强度；当两个来源冲突时，直接并排展示；当输入不足时，拒绝给出总分。

这会让产品看起来没那么聪明。用户可能期待一个答案，系统却递回一串问题。但现实中的重要决定本来就不该因为界面上出现一个高分而变简单。

AI 最适合做的，也许不是替我跨过犹豫，而是把犹豫拆开，让我看清自己究竟在害怕什么、缺少什么、愿意拿什么交换什么。

最终按钮还是要我自己按。这个责任不应该被一个模型生成的数字拿走。