把AI解释与可复现计算分开

将 AI 解释与数字计算分开，需要保留已核输入表、明确公式、可复现输出，以及引用这些输出的文字。模型可以协助提出方法，但算术不能只存在于叙述中。分层后，错误更容易定位和修正。

Python decimal 文档说明十进制表示和精度行为，适合需要明确舍入的场景。但数值库不能验证输入的经济含义，单位、期间与分母仍要独立检查。

独立保存四层

来源层保存原始数值、单位和位置；标准输入层按规则转换尺度；计算层保存公式与舍入策略；解释层说明结果及限制。一层变化不能静默覆盖其他层，小型工作表或短脚本就能实现，不必追求复杂工具。

另一位研究者应当可以用输入重现结果，而不是请求模型再次生成相同回答。缺少分母时，计算应标待核，不能因为公式需要就让解释步骤补出数值。

每一层保留责任与状态，可以避免草稿里的估计无意中变成已经核实的输入。

假设虚构企业两个可比期间收入分别为八十和一百，增长公式为 (100 - 80) / 80，得到百分之二十五。若 AI 用期末一百作分母，就变成百分之二十，那回答的是另一个问题。公式可见，才容易发现分母错位。

再假设营业利润从八增至十二，利润率从百分之十增至百分之十二。可以描述为增加两个百分点，也可描述为利润率相对增加百分之二十，但二者不能混用。即使算术正确，文字的单位也可能错误。

以上数字均为假设，不代表任何发行方表现。其目的是区分计算正确性与解释正确性，不让看起来流畅的数字叙事替代核查。

输入与中间结果旁边写单位。百万除以千若不统一尺度，误差不是多留小数就能修好。季度分子与年度分母，也可能和同期间比率含义不同。

重要结果要用另一种表达独立重算，简单比率可以人工算，复杂结果可以使用另行检查的表格公式。目标是挑战假设和引用，不是把同一错误公式复制到另一工具。两个地方得到相同答案不必然构成独立验证。

尽量在展示边界才舍入，内部保留适合任务的精度。注明差异来自舍入还是源数据修订，原披露粗略时也不要打印过多小数，视觉精确程度不应超过证据。

为每个输出设置编号，记录依赖它的主张。输入变更后重算，并重新打开所有相关句子，避免工作簿已修正而摘要仍过时。复核者也应看到哪项输入改变了哪项结论，而不是只收到一个替换后的最终数字。

资料缺失或不可比时，不适合提供精确结果。可以给出假设清楚的情景，或暂不计算。常见错误包括信任口头算术、混淆百分比与百分点、只标准化比率一侧，以及只查结果不查其支持的文字。

对于手工覆盖的输入，应额外留下原值、修改者和理由，防止计算结果正确却无法追溯输入从何而来。

它可以协助公式设计和复核，但重要结果应由已核输入和明确计算重现，不依赖未保存的口头答案。

不是。它解决数值表示，资料质量、兼容性、公式选择与解释仍需各自核查。