原創虛構教學範例，未預填模型結果。
可編輯的起點
- 1 · 要檢查的資料
- 原始問題或請求: 在哪裡可以下載發票？下個月的公司名稱要怎麼修改？ 準備傳送的回覆: 在「帳務 → 發票」中下載發票。若要修改後續發票的公司名稱，請在下次帳單日期前，到「帳務 → 詳細資訊」中更新「公司名稱」。
- 2 · 你想問的問題
- 回覆是否回應了請求中明確提出的所有事項？
- 什麼情況下算「是」？
- 每個明確的問題或請求都有回應，包括明確說明目前無法回答。
- 什麼情況下算「否」？
- 至少有一個明確的問題或請求未獲回應。
這些是模型判斷的機率，不是實測準確率或保證。「是／否」對應你寫的標準，選項機率只在你提供的選項內比較。
要解決什麼任務
回覆聽起來很熱情，也可能漏掉一半問題。這個方案將虛構請求與回覆草稿一起輸入，只問一個 Noul 問題：回覆是否涵蓋明確提出的要求？它不查核全部事實、不保證方案有效，也不會發送訊息。
範本是本站原創教學材料，沒有預設結果。它載入一個自訂問題，與情境示範中分別檢查涵蓋情況、下一步和新增承諾的多問題方案不同。
明確什麼算作回應
在材料中清楚分開原請求與回覆草稿，替換為不含敏感資訊的內容。執行前先列出請求中的明確要求。決定「坦誠說明暫時沒有資訊」是否算作回應，並把這個標準寫進規則。
不要悄悄增加原請求沒有要求的後續動作。事實性答復可能不需要下一步。如果業務流程要求特定動作，應當把要求寫明。
把結果用於複核
Yes 機率較高，表示模型認為回覆符合你定義的涵蓋條件，不證明回覆準確、禮貌、獲得授權或適合直接發送。對照原請求與草稿檢查；本站不會聯繫收件人，也不會執行草稿里的動作。
故意刪掉一項回答
構造一個包含兩個獨立問題的請求，再從草稿中刪掉其中一個答案。也可以試試同時提到兩個問題、卻都沒有回答的回覆。先決定「提到了」和「回答了」如何區分。如果模型沒有區分出來，修改標準，並保留這個失敗例子供後續檢查。
設置自動處理門檻前，先閱讀機率與信心程度的區別。這個練習沒有經過獨立的回覆品質評測。
來源與延伸閱讀
本指南以官方文件及附有連結的社群回報為依據。社群觀察均註明原作者。
我們如何查核來源可編輯的起點載入這個範本