收益：
- 能够使用人工智能快速扫描分区状态、监管和立法问题并了解其结构
- AI 给出的每种物质、比率和限量的执行能力必须得到当前官方文本和主管部门的确认。
- 了解监管幻觉和过时信息如何放大项目风险以及如何建立经过验证的源链
城市规划是在法律范围内实施的技术。计划规定、施工条件、许可决定；它们均以现行立法为基础（分区法、规划区分区条例、空间规划建设条例、地方规划说明和众多相关条例）。这些文本内容庞大、复杂且经常变化。人工智能可以派上用场，可以快速浏览这堆立法，用简单的语言解释概念，并显示条款之间的关系。但这里存在着最高的风险：人工智能对立法产生幻觉。他可能捏造不存在的条款编号、过时的费率或不同法规中的条款；而且，他以一种自信的方式做到这一点。立法错误意味着计划被取消、许可证被拒绝或法律责任。因此，人工智能给出的每一种物质、比率和限量都必须从官方和现行有效文本中得到确认。
为什么立法是风险最大的领域
监管对人工智能来说是危险的，原因如下：
- 可变性。法规多年来不断变化；人工智能的训练数据被冻结在某个日期，可能会将旧的裁决误认为是当前的。
- 对上下文的敏感性。同一主体受到不同法规、不同规模的监管，但有不同的例外情况； AI 可能会引用错误的上下文。
- 确定性的幻觉。 AI完整且安全地记下文章编号（“文章24/3”）；这种确定性被认为是正确的。然而，这个数字可能完全是捏造的。
注意：人工智能对监管问题给出的“明确”项目编号和比率表示流畅性，而不是准确性。未经当前官方文本确认，计划、报告或决定中不包含任何项目、费率或限制。
适当使用人工智能
使用人工智能作为搜索和理解立法的工具，而不是作为资源：
- 用通俗易懂的语言解释概念（但用官方文本验证定义）。
- 压缩较长的法规文本（您提供文本；人工智能不应从外部添加内容）。
- 标记你给出的两个文本之间的矛盾。
- 起草某个主题的标题（然后转到官方来源）询问“我应该查看哪些法规？”
- 为公民/利益相关者打印一份简单的信息说明草稿（附注“技术值必须由主管部门确认”）。
最安全的模式：提供文本，AI 将仅处理该文本。最危险的用途是人工智能从自己的“记忆”中召唤物品。
已验证的源链
可靠的监管验证遵循以下链条：
- 官方和当前文本。当前法规的当前版本来自其官方出版物（官方公报/主管机构）。
- 生效日期检查。确认该条款仍然有效且未被更改。
- 上下文匹配。正确的比例、正确的字段类型、正确的例外。
- 主管当局确认。主管部门针对包裹或事件的具体情况提供的书面信息。
- 痕迹。记录您在哪个日期和哪个文本中确认的哪篇文章。
循序渐进：利用人工智能进行安全监管研究
- 澄清问题。哪个科目、哪个规模、哪个领域？
- 找到官方文本并将其交给AI。不要相信自己的记忆。
- 只需处理您提供给人工智能的文本即可。总结、简化、矛盾扫描。
- 标记每个项目/比例。 “需要确认”标签。
- 验证有效性和上下文。它是最新的还是正确的规定？
- 如有必要，请询问主管部门。特殊情况书面确认。
- 留下你的印记。
弱提示/强提示
弱提示：“住宅区最小地块尺寸是多少，单位是平方米，材质是什么？”
AI可以凭记忆拼凑出数字和物品编号；两者都可能是错误的，但似乎是确定的。
强烈提示：“下面是现行[法规名称，日期]的相关部分。根据本文，是否有关于住房区域最小地块尺寸的规定？如果有，请逐字引用并显示文本中的物品编号。如果文本中没有，请说“在本文中未找到”；不要添加您自己的信息。文本：[...]”
第二个提示仅将 AI 链接到给定的文本；大大防止产生幻觉，方便确认。
四个可复制模板
任务：仅根据我在下面给出的立法文本回答问题。逐字引用相关条款并显示文本中的文章/段落。如果文本中没有，请说“在本文中未找到”。根据您自己的记忆添加项目、数字或比率。问题：[...] |文本：[...]
任务：列出下面文本中的所有数值、比率、持续时间和项目参考，并为每个值做注释“必须有效并得到官方文本的确认”。添加评论；只需标记。文本：[...]
任务：突出显示以下两个立法/计划文本之间可能存在的矛盾。对于每个矛盾：主题、第一个文本中的规定、第二个文本中的规定、“需要官方确认”。决策。文本 1：[...] |文本 2：[...]
任务：将以下技术规定翻译成公民可以理解的简单信息说明。为每个数值添加注释“经主管当局确认”。请勿要求法律确定性或建议。规定：[...]
表：使用模式和风险
人工智能的使用
风险等级
为什么
强制性预防措施
从记忆中调用项目
非常高
幻觉、衰老
请勿使用；转到官方文本
总结给定的文本
中等
错误的强调
与源码比较
概念解释
中等
旧的/不正确的定义
与官方定义验证
比较两个文本
中等
情境转变
逐项确认
公民备忘录草案
低中
确定性的错误印象
“主管部门的确认”说明
三个迷你箱子
案例 1 — 加工品。规划者向人工智能询问绘制距离规则； AI 表示“根据《规划区域划分条例》第 21/7 条规定为 5 米”。策划者看官方文本；文本中既没有该项目编号也没有该比例。 AI已经补足了数量和物品编号。如果没有验证，这就会出现错误的项目图纸。
情况 2 — 过时率。一个团队从人工智能那里收到停车标准。这个数字曾经是准确的，但两年前规定发生了变化； AI 返回旧值。由于团队检查了生效日期，因此找到了当前值。 “真而旧”是立法中最阴险的错误。
案例 3 — 基于文本的安全使用。规划者将官方法规的文本提供给人工智能，请求仅基于该文本的摘要，并让它标记每个数字。因为AI不添加外部物质，所以输出是可审计的；规划人员在几分钟内绘制了 40 页地图，并从来源处验证了每个项目。正确的模式将速度与安全性结合起来。
常见错误
- 从人工智能的内存中请求项目。产生幻觉的风险最高；始终查看官方文本。
- 没有检查生效日期。正确但过时的规定会损害该计划。
- 依赖于项目编号的准确性。流利的语言并不能证明准确性。
- 混淆上下文。应用针对不同规模/区域类型编写的规定。
- 以一般规定结束特殊情况。包裹特定问题需要得到授权管理部门的确认。
- 不留痕迹。没有记录您确认的哪一项以及哪里违反了责任。
总之
立法是规划的法律框架，也是人工智能风险最大的领域：可变的、环境敏感的、高度确定性的幻觉。人工智能会产生立法幻觉——编造物品编号、费率和限制，就好像它是确定的一样。最安全的使用是将官方和当前文本提供给人工智能并仅处理该文本；最危险的模式是人工智能从记忆中回忆项目。验证每项规定的生效日期和背景，在特定情况下获得主管部门的确认并记录验证轨迹。人工智能加快了你对立法的阅读速度，但它不能成为立法的来源。
应用任务
选择监管问题（例如建筑要求）。 （1）使用第一个模板，将相关的官方文本提供给AI，并仅根据该文本获得响应；检查AI是否从外部添加了任何东西。 (2) 使用第二个模板标记文本中的所有编号和项目引用。 （3）故意问同样的问题而不给出官方文本，并与官方文本进行比较是否是AI编造的。 (4) 编写认证链（源、执行、上下文、管理、跟踪）。
清单
- [ ]我给了AI官方和当前的文本；我没有从他的记忆中索要任何东西。
- [ ] 我让AI只处理我给它的文本。
- [ ] 我从官方文本中确认了每个项目、费率和限额。
- [ ] 我已核实该条款的生效日期和背景。
- [ ] 我收到了主管部门对特殊/特定包裹案件的确认。
- [ ] 我在公民备注中添加了“政府确认”这句话。
- [ ] 我记录了我从哪个来源确认的哪篇文章。