在法律、教育、政策分析以及公共道德辩论等领域，LLM 的输出常被用于需要以文本证据和明确规范标准来支撑解释的工作。却经常出现一种被称为“解释错位”的失效模式：模型生成的阅读被直接当作确定意义，而缺乏解释框架（来源、范围约束、规范承诺），也没有保留可辩护的备选解释，更缺少可追溯的出处，使读者难以找到支撑段落。如此一来，风险不仅是事实错误，更是失去问责：读者和机构无法可靠评估输出对他们的约束以及依据。
本文借助哲学解释学，阐述上述风险并提出人机共释的设计原则。首先将近期关于解释学与 AI 的研究进行结构化梳理，归纳出若干重复的论证线索和设计空白。随后将 LLM 输出视为候选阅读，而真正的解释学理解留给位于学科历史语言传统中的可问责的人类解释者。人机交互被描述为 AI 中介的解释循环，解释学理解区别于基于 token 预测的文本生成。基于此，现有 LLM 技术被重新组织为适用于解释场景的设计模式，强调框架标注、范围限定、规范映射以及出处追溯等要素。
最后，本文讨论了这些原则在法律实践、教育评估与反馈、学术知识生产以及公共道德论辩中的意义，并将数字解释学视为一种读写素养：通过审视框架、出处和阅读，主动检视并争议 AI 生成文本。
点评