试图用更强的模型去校验前一个模型的语义正确性，本质上是在用概率对抗概率，这种做法在生产环境里的误判率高得离谱。我之前测过，用语义相似度做分类，误判率能到 50%；即便把 Temperature 调到 0，输出的一致性也就 70% 左右。最麻烦的是，换个更强的模型做裁判，虽然假阳性降了，但会带来大量误拒（False Rejections），好好的活儿都被判死刑。

与其死磕 AI 裁判的智商，不如把“判断正确性”拆解掉，把逻辑从“语义判断”转变为“风险分级”。我现在的架构是基于确定性代码的四层路由，完全不依赖额外的 LLM 检查：

1. 任务分类：进入引擎前先用正则或 Schema 校验。代码或 SQL 类任务（Type A）直接走编译器或 Schema 校验，能过就自动化，不需要 LLM 介入。
2. 风险隔离：涉及资金、法律、隐私的任务（Type B）直接标记高风险，AI 只给草稿，禁止自动执行；低风险脑暴（Type C）直接放行。
3. Diff Review 模式：针对中风险任务（Type D），别把全文甩给用户。用 Python 的 difflib 做差异对比，把开放式判断变成封闭式核对。

import difflib
别让用户读全文，只让他看改了哪

def generate_review_diff(original_text, agent_output):
    diff = difflib.ndiff(original_text.splitlines(), agent_output.splitlines())
    return '\n'.join(diff)

把用户的认知负担从读 500 字降到看 50 字的改动点，效率提升非常直观。与其指望 AI 变聪明，不如先从流程设计上把不确定性降下来。