收益：
- 能够以结构化格式向 AI 打印技术规范和工程报告，其中包含章节、范围和标准参考
- 能够检测并纠正人工智能生成的规范文本中歧义、矛盾或不标准的表达
- 能够根据内容和引文审核 AI 草案，并了解报告和规范的责任在于工程师
技术规范是一份具有约束力的文件，它定义了如何进行生产、将遵守哪些材料和标准以及哪些质量和控制标准有效。工程报告记录计算、检查或决定的理由和结果。这些文件具有法律和商业后果：规范中的措辞不明确可能会导致该领域的争议和额外成本；报告中的错误结论会导致错误的决定。写作工作既耗时又重复；人工智能是该领域真正的加速器。但永远不应忘记，规范和报告的内容和责任在于工程师。在本单元中，我们将了解如何使用人工智能快速生成受控文档。
正确设置文档：章节、范围、标准参考
在向 AI 索取规格或报告之前，请先明确结构：
- 部分：范围、材料、应用、质量控制、测量和规范付款；报告的目的、输入、方法、计算、结果、评估。
- 范围：涵盖哪些制造/主题？他们的极限是什么？
- 标准参考：适用哪些 TS/EN/法规？规范应参考这些。
- 可测量性：每项要求都必须是可审核的（厚度、等级、公差、频率）。
良好的规范不会留下任何歧义。需要可测量的声明，例如“根据 TS EN 206，每 50 立方米取样一次的 C25/30 级混凝土”，而不是“将使用优质混凝土”。
规范和工程报告的目的不同，向人工智能传达这一点很重要。该规范是前瞻性的、具有约束力的说明：它告诉我们如何去做、适用什么质量和控制条件；语言处于命令语气（“...将完成”，“...将提供”）。另一方面，报告是过去/当前情况的记录：它记录了计算、检查或确定的理由和结果；语言是描述性的。向AI索取文件时，明确你想要哪一份；否则，它可能会产生混合命令语气和解释语气的混合文本，既不是完整的规范，也不是完整的报告。此外，两个文件的读者群体（承包商、控制组织、管理部门）也不同；文本的清晰度和可衡量性是防止这些读者之间发生冲突的最重要特征。
注意：人工智能可能会产生流畅但空洞、不标准或矛盾的表达。诸如“合适的厚度”、“足够的数量”、“根据需要的数量”等含糊的表述是规范中争议的根源。工程师有责任用具体的、可测量的、基于标准的值来代替这些陈述。
消除歧义、矛盾和不规范
在审核 AI 输出时，请注意三件事：
不确定性。每一种无法衡量的表达都是一种风险。标记并具体化“适合”、“足够”、“必要”、“质量良好”等词语。
矛盾。在长文本中，AI 可能会在一个地方给出一个值，而在另一个地方给出不同的值（例如，一个部分的覆盖范围为 25 毫米，另一部分的覆盖范围为 40 毫米）。扫描文本以确保一致性。
非标准。 AI 可能会返回非真实的标准编号或失效的参考。每个引用都必须得到官方和当前标准的确认（参见标准研究单位）。
问题
例子
修正
不确定性
“将提供适当的绝缘”
“5 cm XPS 符合 TS 11989”
矛盾
通过裕度有两个地方不同
连接到单个值
非标准归因
接头 TS 编号
官方文本确认
不可通约性
“足够频繁的采样”
“每 50 立方米 1 个样品”
缺少笔
无质量控制部门
添加控制标准
弱提示/强提示
弱：“编写混凝土规范。”（无章节、标准、可测量性、范围；省略模糊文本。）强：“编写 C25/30 预拌混凝土制造的技术规范草案。章节：1) 范围 2) 材料和标准 3) 应用 4) 质量控制和抽样 5) 测量和付款。规则：- 让每个要求都是可测量的（等级、公差、频率）- 不要使用模棱两可的语言，例如‘适当/充分’ - 单独列出您引用的每个标准编号，以便我可以从官方文本（捏造的）中验证它 - 不要留下冲突的值，我将审核草案并验证标准引用。”
问责与验证
规范或报告底部的签名是工程师的，而不是人工智能的。 AI大纲是一个起点；工程师检查并完成内容的准确性、标准合规性、可测量性和一致性。特别是如果报告中的计算结果是通过人工智能生成的，则必须对这些计算进行独立验证（如之前的单元）。人工智能改进了文本的语言和布局；技术内容的责任仍然由工程师承担。
提示：在文档制作中使用人工智能最安全的方式不是“你先写草稿，我来校对”，而是“编辑/简化/检查我写的技术内容的一致性”。在第二种方法中，技术决策仍然由你决定，人工智能仅改进语言和布局；出现幻觉的风险会降低。
三个迷你箱
案例 1——不确定性的代价。承包商首先用人工智能快速编写一份规范，其中表示“将安装适当厚度的熨平板”。在现场，承包商期望 4 厘米，控制工程师期望 6 厘米。会出现争议、额外费用和延误。如果工程师将规格具体化为“6厘米±5毫米熨平板”，那就没有问题了。
案例2——发现矛盾。在AI制作的一份20页的说明书中，称封面边距一部分为25毫米，另一部分为40毫米。工程师发现一致性扫描的差异，根据相关曝光等级在40毫米处进行组合。检查可防止现场制造错误。
案例 3——伪造归因。 AI 是指绝缘规范中不存在的 TS 编号。当工程师想要确认归属时，他发现该数字不是真实的，因此将其替换为正确且最新的标准。确认的习惯可以防止文件在法律上站不住脚。
案例 4 – 混合文本。一名工程师向人工智能询问“具体工程文件”，但没有具体说明它是规范还是报告。人工智能会生成混合文本，其中一个地方以祈使时态（“...将被浇注”）给出指令，而在另一个地方以过去时态表达确定（“...它被浇注”）。工程师澄清该文档是一份规范，将整个文本转换为具有约束力的命令形式，并删除了判定语句。当目的明确时，文本的语言和功能就会改善；读者现在可以毫不犹豫地理解所期望的内容。
可复制的提示模板
不确定性提取提示：“扫描下面的规范文本并标记每个不可测量/不确定的短语（‘合适’、‘足够’、‘必需’、‘质量良好’）。为每个短语建议一个具体的、可测量的替代方案（值+公差+标准）。我将确认该值。文本：[粘贴]”
一致性扫描提示：“检查以下文档中相同尺寸（例如保护层余量、混凝土等级、厚度）的不同地方是否给出了冲突的值。列出矛盾；我将决定哪个值是正确的。文档：[粘贴]”
内容是我的，订单是你的提示：“以下是我写的技术内容。不要改变技术价值观和决策。只需：简化你的语言，将其分成几个部分，检查其一致性并提醒我缺少的标题（质量控制，测量-付款）。内容：[粘贴]”
常见错误
- 让模糊（“适当/充分”）的表达变得不具体。
- 在文本中传递冲突的值而不扫描一致性。
- 未从官方文本中确认 AI 的标准参考。
- 编写无法测量的质量控制标准（频率、无公差）。
- 在没有检查的情况下就签署了AI草案作为自己的工程意见。
- 在报告中呈现人工智能生成的账户，未经独立验证。
综上所述
- 参考章节、范围和标准，以结构化格式设置规范和报告。
- 使每个需求都可衡量；用具体的价值观代替模糊的表达。
- 扫描文本中是否有歧义、矛盾和不标准的地方。
- 验证当前官方文本中的每个标准参考。
- 使用最安全：编写技术内容，人工智能将改善语言和一致性。
- 内容和签名由工程师负责； AI只是一个绘图和布局工具。
应用任务
选择制造的简要技术规范部分（例如混凝土、石膏或绝缘材料）。向 AI 请求一个可衡量的、分段的、具有标准属性的大纲；告诉他不要使用含糊的语言并单独列出参考文献。然后：(1) 标记并具体化模糊的陈述，例如“适当/充分”，(2) 扫描文本以查找相互冲突的值，(3) 确认每个标准参考，(4) 验证质量控制标准是可测量的。写下您所做的任何更正。
清单
- [ ] 我按章节、范围和标准参考来构建该文档。
- [ ] 我用具体的、可测量的值取代了模糊的表达。
- [ ] 我扫描了文本中是否存在冲突的值。
- [ ] 我已经验证了官方当前文本中的每个标准参考。
- [ ] 我使质量控制标准变得可衡量。
- [ ]我已独立验证了报告中的AI账户。
- [ ] 我发现内容和签名的责任在于工程师。