从写代码到防诈骗：AI 融入真实工作流的三个思路

背景

最近一批官方动态有一个共同点：AI 不再只是“对话框里的助手”，而是被嵌进具体的专业流程——开发者的技术问答、科学家的分子筛选、政府的反诈系统。OpenAI 与 Stack Overflow 合作推出了 ChatGPT 插件（官方公告）；DeepMind 发布了用 Google Antigravity 加速抗菌肽搜索的案例（博客），并与新加坡政府合作，用轻量级端侧 Gemma 模型在私聊中拦截对话式诈骗（博客）。

对普通读者来说，这些动态的价值不在于“大公司又合作了”，而在于它们示范了三种可迁移的用法：让 AI 接入权威知识源、让 AI 承担大规模筛选、让 AI 在隐私敏感场景做本地判断。

技巧一：让 AI 接入权威知识源，而不是靠它“背答案”

• 适用场景：开发者查技术问题、写代码遇到报错时。
• 怎么做：OpenAI 与 Stack Overflow 的合作把社区验证过的技术问答带入 ChatGPT（来源）。这背后的通用思路是：与其让模型凭训练记忆回答，不如让它检索经过社区投票验证的内容。你在自己的工作流里也可以照做——把内部文档、Wiki、FAQ 整理成可检索的知识库，再让 AI 基于检索结果回答，并要求它标注出处。
• 注意事项：模型记忆会过时、会编造。养成习惯：凡是具体版本号、API 参数、配置写法，都要求 AI 给出来源链接或让你核对原始文档。

技巧二：用 AI 做大规模初筛，人只看短名单

• 适用场景：任何“候选太多、人工看不完”的工作——简历筛选、文献综述、方案比选。
• 怎么做：DeepMind 的案例是用 Google Antigravity 加速新型抗菌肽的搜索（来源）。传统药物发现需要在海量候选分子中逐一实验验证，周期以年计；AI 筛选把“大海捞针”变成“从短名单里挑”。你的日常版本可以是：让 AI 按你定义的硬性条件（年限、技能、预算）先过滤一遍候选，输出带理由的排序表，你只复核前 10%。

• 注意事项：AI 初筛的价值取决于你给的筛选标准是否清晰。标准模糊时，它只会给你“看起来合理”的垃圾。先写清楚一票否决项，再交给 AI。

技巧三：隐私敏感的内容，用轻量模型本地处理

• 适用场景：涉及聊天记录、客户私信、内部沟通等不宜上传云端的内容。
• 怎么做：DeepMind 与新加坡政府合作的反诈系统用的是轻量级端侧 Gemma 模型，在设备本地拦截私聊中的对话式诈骗，数据零上云（来源）。这给普通用户的启示是：不是所有 AI 任务都需要最强的云端大模型。分类、异常检测、模式识别这类任务，本地小模型或开源模型（如 Gemma 系列）就够用，而且隐私风险更低。
• 注意事项：端侧模型能力有限，适合“判断类”任务而非“生成类”任务。判断“这条消息像不像诈骗”可以本地做；写一份复杂报告还是得靠云端模型。

小结

三条线索对应三种把 AI 用对的方法：接入权威源减少幻觉、做初筛放大人力、敏感数据留在本地。共同点是——AI 的位置是流程中的某一环，而不是全权代理。想深入了解大模型安全开发的前沿实践，可以看 DeepMind 关于 Gemini 4 Argon 负责任开发的说明（来源）。

来源与延伸阅读

• Stack Overflow 与 ChatGPT 插件合作（OpenAI）
• 用 Google Antigravity 加速抗菌肽发现（Google DeepMind）
• DeepMind 与新加坡政府的端侧诈骗检测模型（Google DeepMind）
• 负责任地开发 Gemini 4 Argon（Google DeepMind）

接下来值得继续跟踪

• Stack Overflow 插件的实际覆盖范围和引用格式是否稳定，可作为“AI+权威知识源”模式的成熟度指标。
• 端侧 Gemma 模型在反诈场景的误报率数据尚未在现有材料中公布，待官方后续披露。
• 下一次判断条件：当主流办公软件原生支持本地小模型做敏感内容分类时，技巧三可从“思路”升级为“标配操作”。