这一页没有标准答案，只有几个能帮你做决定的判断。

像决定去哪家医院

不是所有病都值得挂专家号。擦破点皮去社区医院，被子上厕所用洗手液，这些都不花钱也挺好。

要动刀的事，你不会随便找个最近的门诊。

用 AI 也是这个道理。选型不是选最强的，是选跟你那件事相称的。绝大时候免费的就够用，少数几件事值得付钱，而有一类事根本不该贴进去。

第一问：要不要花钱

我自己的分界线很简单。

不花钱的部分：翻译、起草、总结、头脑风暴、格式转换、改写语气。这些事做错了成本很低，大不了重来一遍。

值得花钱的部分：一次要发出去了的东西——对外的邮件、给客户的方案、要贴到生产环境的代码。这些地方出错的代价是真实的。

不要贴的部分：下面单独讲。

有一点我要提醒：免费层和付费层用的是不同档次的模型，不是同一个模型加了个计时器。免费版更慢、次数少、碰上高峰期会降档。所以如果你觉得免费版「不好用」，先确认一下是不是本来就在用弱的那一档。

我的建议是：免费用满三个月，活儿确实压不住了再付钱。绝大多数人三个月后还在免费版。

第二问：哪些东西不能贴

我把不能贴的东西分成三类，标准很土但是好记。

一类是别人的东西。 客户的名单、同事的聊天记录、你公司没公开的合同、上级还没发布的方案。你只是借了这些字，你没有处置它们的权。贴出去那一刻，等于你替别人做了一个他没做过的决定。

一类是钥匙。 密码、验证码、身份证号、银行卡号、门牌、孩子的名字和学校。这不用解释。

一类是密码本。 就是你公司代码库的访问权限、客户系统的账号。这个不只是数据问题，是安全问题——就算对方说不会训练，这条数据也不该出门。

至于工作里那些脱敏之后的东西，比如把公司名换成「我们公司」、把具体数字改成量级，是可以的。这个程度就够用了。

第三问：怎么知道它这次靠不靠谱

这一问才是最难也最重要的。

有一个专门研究这件事的领域，术语叫恰当依赖——简单说就是：它给对了就听，它的错了要能顶回去。研究者的发现不太乐观：人很难忽略一个明显错掉的 AI 建议，这就是过度依赖。

我自己总结的土办法有三条。

第一，问它凭什么。 不是问「你确定吗」——它会说自己确定。问「你判断的依据是什么，有哪条是你不确定的」。它要是编，依据也是编的，但编的依据通常更粗糙，你容易看出来。

第二，答案里凡是出现具体数字，回到原文核。 上一页说过，这一页再强调一次，因为它跟选型直接相关：换成付费的、更贵的那档，这个毛病会少一点，但不会没有。

第三，同一个问题问两次，中间隔一天。 两次完全一样的答案更可信。这不是玄学，是第二条的补充。

关于「关掉训练」这件事

上一页那张地图里，每家都写了训练政策。总结一下规律。

关掉训练开关通常是有用的，但它只管新对话。已经发出去的东西，通常追不回来——至少消费者能自己做到的是这些。

更要命的是例外条款。Anthropic 的用户条款里就写了两种情况：不管你关没关开关，你点了赞或踩的对话、或者被标记为安全审查的内容，都会被拿去训练。

所以「我关掉了」不等于「它没见过」。这个区别，是我在这一页最想让你记住的一句。

至于本地方案（比如上一页提到的 Ollama），字根本不出门，从这个角度看是最干净的。代价是效果打折和机器得受得住。两者怎么权衡，看你贴的是什么。

我自己的配置。

说具体的，可能比讲道理有用。

日常：免费版云端产品，用一个我不在乎被看的邮箱注册，训练开关一上来就关。

要发出去的东西：换付费档，跑完之后我逐句读一遍再发。

敏感的东西：不上传。能脱敏就脱敏，脱敏完还是不放心的，就自己改。

不放心但又非要用：本地方案跑一遍，起码字没出过我的电脑。

这套用了两年，没有出过事。但我不认为它适合所有人——如果你工作的东西本来就是公开的，那第二档那一步就是多余的时间。

延伸阅读

• Should I Follow AI-based Advice? Measuring Appropriate Reliance in Human-AI Decision-Making（Max Schemmer、Patrick Hemmer、Niklas Kühl et al.，2022，arXiv 预印本）—— 造了一个专门衡量「该不该听」的指标。作者的出发点是一句很不客气的观察：人在判断上有个系统性问题，明明知道 AI 建议是错的，还是照着做。论文主张恰当依赖是两件事——先分得出建议的好坏，再照着好坏分别行动。这件事换个说法就是：既别盲从，也别因为不信任就什么都自己扛。arXiv: 2204.06916

• Do Membership Inference Attacks Work on Large Language Models?（Michael Duan、Anshuman Suri、Niloofar Mireshghallah et al.，2024，arXiv 预印本）—— 问的是一个很实在的问题：能不能反推出「某段文字是不是这家公司的模型训练时见过的」。他们在从 1.6 亿到 120 亿参数的一批模型上大规模测了一轮，结论是大多数情况下基本猜不准，比随机猜好不了多少。他们还指出，有几个看起来成功的案例其实是数据分布变了造成的假象。 但「你贴进去的东西不会被认出来」和「你贴进去的东西不该贴」是两件事。这篇论文不构成放心贴公司文档的理由。arXiv: 2402.07841

动手试试

拿一张纸，或者一个新对话，把手上要处理的东西分三堆：能随便贴的、要脱敏的、绝对不贴的。

把第三堆的东西从你最近一次对话记录里找出来。看看有多少。

然后去你常用的那一款里，把训练数据开关找出来关掉，顺手把历史对话里最敏感的那几条删掉。

两件事，五分钟。做完你会比十分钟前更清楚自己把什么东西交给了谁。

下一站

到这里，工具怎么用你已经门清了。接下来可以掀开一层看看：字进去之后到底发生了什么。