大语言模型（LLM）是近年来 AI 领域最重要的突破之一。它让普通人第一次能用自然语言与 AI 流畅对话——不需要编程，不需要专业知识，直接「说人话」就能用。但理解它的原理和边界，才能用好它。
LLM 的核心能力可以用一句话概括：根据已有文字，预测接下来最合适的词句。它读过海量文本（书籍、网页、代码、对话），学会了语言的规律和知识的关联。
类比：想象一位读过 100 万本书的图书管理员。你问他任何问题，他都能从记忆中拼凑出一个听起来很合理的答案——但他的答案是基于「读过的书」，不是实时查询真实世界。
| 技能 | 物流场景示例 | 质量评价 |
|---|---|---|
| 问答 | 「冷链运输的合规温度要求是什么？」 | 通用知识好；企业内部制度需核实 |
| 写作与改写 | 「帮我把这份操作规程改成更易读的版本」 | 语言流畅；逻辑需人工检查 |
| 摘要与整理 | 「总结这份 10 页运营报告的关键问题」 | 提炼快；细节可能丢失 |
| 翻译 | 「把这份英文提单翻译成中文」 | 日常文本好；专业术语需校对 |
| 清单与框架 | 「给出暴雨天气入库检查清单」 | 结构化输出好；具体数字需核实 |
| 角色扮演 | 「扮演客服，帮我练习处理投诉」 | 练习场景好；不能替代真实培训 |
LLM 的致命弱点：它不「查资料」，它「生成文字」。当它不确定时，它会编造一个听起来很合理的答案，而不是说「我不知道」。这叫「幻觉」（Hallucination）。
使用原则：LLM 擅长「帮你想框架、写草稿、改语言」，但关键数字、法规条款、企业制度必须以官方文件为准。AI 起草，人工核实。
反例：LLM「编造」理赔时限，导致客服承诺出错
某快递公司客服人员在工作中开始使用 LLM 辅助回复客户问题，认为可以提高效率。
正确做法：
教训：LLM 越自信的语气，越需要你去核实。它说「通常是 7 天」和「根据您公司制度是 15 天」是完全不同性质的回答——要学会区分。
哪些物流问题适合问LLM？哪些必须查制度/系统？
列出你认为「适合问LLM」的3个物流场景和「必须查制度/系统」的3个场景，并说明判断依据
