大型语言模型（LLM）正日益嵌入组织工作流，但其错误常常在人工审查时被漏掉。已有研究将此归因于用户审查能力或审查意愿的不足。我们提出一种基于信息检索的监督模型，认为当审查时相关信息能够被即时获取，错误检测效果会更好。为检验该假设，我们在两项随机化现场实验中共招募 640 名面向客户的员工。实验结果显示，员工自行生成的解释能够提升错误检测率，并加强对验证相关推理的记忆；而通过提示重新激活这些推理，则能在多次使用 LLM 后仍保持检测能力。理论上，我们将信息可检索性定义为有效监督的独立前提，并将“生成性编码”和“提示支持的再激活”视为构建与维持该前提的机制。实践层面，轻量化的入职自解释和每日检索提示即可在 LLM 使用常态化时提升人工监督的韧性。
点评