---
title: "Claude 能做什么、不能做什么：边界全说明"
description: "把能力清单和七条边界放在一起看：知识截止、幻觉、算术、执行、联网、拒答与长对话退化，各自怎么应对。"
updated: 2026-11-13
canonical: https://docai.cc/learn/claude-capabilities-and-limits/
markdown_mirror: https://docai.cc/learn/claude-capabilities-and-limits.md
---
## 先摆正期待

用得好的人，通常不是背了更多提示词，而是清楚哪些事交给它、哪些事必须自己接手。期待对了，提问次数反而更少。

## 稳定擅长的方向

- 文字加工：改写、扩写、压缩、换语气、总结长文。
- 代码：生成片段、解释报错、审查改动。
- 推理整理：把零散信息归类，列出方案优劣。
- 教学：用不同难度讲同一个概念，出题并批改。
- 结构化：把自由文本转成表格、清单或 JSON。

这些事的共性是「有文字输入、有文字输出、对错可以人工核对」。底层机制见[什么是 LLM](/concepts/llm/)。

## 七条要记住的边界

先把原因说清，应对才不至于变成死记硬背。它学的是海量文本里「下一个词最可能是什么」，因此擅长把语言组织得像样，却不会自动区分「像样」和「真实」。训练有一次性的时间点，之后的新闻、价格、新规定自然不在它的知识里。它默认没有手脚，只有你接入并授权的连接器或代码环境才会替它执行动作，执行范围仍受权限约束。理解这三件事，就能推出一大半注意事项。

| 边界 | 表现 | 应对 |
| --- | --- | --- |
| 知识有截止时间 | 训练之后发生的事它不知道 | 自己查好最新资料再交给它整理 |
| 会编 | 统计数据、文献出处、人物履历最容易被编出来 | 关键事实回到一手来源核对 |
| 算术不稳 | 多步运算、大数计算容易出错 | 让它写代码执行，或把代码拿回本地跑 |
| 不能直接动手 | 默认只输出文字；发信、下单、改文件要靠你授权的连接器或外部工具 | 分清「给方案」与「去执行」，动作权限逐项收紧 |
| 检索不等于知道 | 搜索多要手动开启，结果可能过时或被误读 | 让它给出检索时间与来源，再点开原文核对 |
| 会拒绝 | 危险、违法、针对真人的恶意内容 | 这是设计约束，硬绕没有意义 |
| 长对话会走样 | 几十轮后忘细节、风格漂移 | 换新对话，把要点重新交代 |

表格里的「编」，就是业界说的幻觉：语气笃定，内容却站不住。判断方法始终只有一个——让它指出依据，然后你自己看。概念见[幻觉](/concepts/hallucination/)。

## 两个提问习惯

### 把不确定逼出来

三个动作，值得养成习惯：

- 要依据：「这条结论用了哪些原文？逐条列出来源。」
- 要把握度：「你对这个回答有几分把握？哪部分最容易错？」
- 要反例：「找出能推翻这个方案的理由，越多越好。」

第三问最有用。它默认顺着你的方向答，不明确要反例，风险就不会摆上桌。这三问既适用于它，也适用于任何对话助手。

### 一个换问法的例子

你手头有一组数字，想算离散程度。差的问法是：

> 算出 7、19、31、44、52 的标准差。

它很可能回你一个数，你却无从验证。换成：

> 不要直接给结果。用 Python 的 statistics 模块算这组数，把每一步打印出来，我要在本地跑一遍。

产物从「一个数字」变成「一段可执行、可复核的代码」。这是协作里最实用的心法：要过程，不要结论。

如果你完全不写代码，也有折中办法：让它把计算拆成一步步的算式，你拿计算器抽查其中两步；或者把数字放进表格软件，让它只负责写公式。原则不变——让结果落在你能验证的地方。

## 什么时候该停手

### 该换工具的三个时刻

- 你要的是最新信息，而它没有开启检索：先去查，再回来让它整理。
- 你要的是精确结果，却没有复核手段：换计算器、脚本或表格。
- 你要它直接完成操作：先看现有连接器是否支持，并确认授权范围与回滚办法；超出范围再换专用工具。

分清「生成文字」和「改变世界」，很多误用就避免了。

### 五类不能单独交给它的场景

医疗诊断、合同的最终审核、财务决策、实时行情、涉密材料。这五类都该有专业人士兜底。它可以起草、整理、列疑点，但不能替责任人签字。

## 三条核对流程，照着做就行

与其背下七条边界的名字，不如在交付前跑一遍固定动作。下面按任务类型给出可以直接套用的核对方式。

| 任务 | 先向它要什么 | 你核对什么 | 不通过时 |
| --- | --- | --- | --- |
| 引用数据、政策、价格 | 出处名称、发布时间、原文链接 | 打开原始页面，确认数字和口径一致 | 删掉该结论，或改用你提供的材料重写 |
| 论文、书籍、案例 | DOI、期刊名、作者与年份 | 在数据库中能检索到同一条记录 | 判为编造，整段弃用 |
| 计算与统计 | 可运行的脚本或表格公式 | 本地跑一遍，换一组边界值再跑 | 让它解释差异，仍不一致就自己算 |
| 操作类建议 | 每一步的输入、输出与失败处理 | 在副本或测试环境先走一遍 | 缩小步骤，直到每步都能回滚 |

最后一行最容易被忽略。凡是会改动文件、发送内容、提交表单的建议，都先要求它把「执行后会发生什么」写出来，再决定要不要动手。

这张表也能直接变成提示词。比如核对统计口径，可以这样发：

> 下面这段结论里，每个数字都必须带三样东西：来源机构、统计年份、口径说明（含不含某类样本）。
> 缺任何一样就标注「待核」，不要用推测补齐。
> 结论：<粘贴你的草稿>

它会把缺口暴露出来，而不是替你填平。愿意逐条对照，比笼统地问「准确吗」有效得多。

## 常见误判：现象、原因与处理

**现象：回答里出现非常具体的论文标题、作者和 DOI，看起来比你的资料还权威。**
为什么：文献引用是语言模型最容易「补全」的格式，字段越齐全，越可能来自模式拼装而不是真实记录。
怎么办：把 DOI 拿去数据库检索；查不到就整段删除。不要只让它「再确认一下」，它可能给出第二个同样工整的假条目。

**现象：前几轮说好的格式，后面越来越不遵守。**
为什么：对话变长后，早期的约定被挤出可用上下文，模型只能依据最近几轮推断。
怎么办：新开一段对话，把格式约定压缩成五条以内的清单放在开头；需要保留的结论另存到文件或[知识库](/learn/ai-reads-knowledge-base/)式的外部记录里，而不是指望它一直记得。

**现象：让它总结一份长报告，它漏掉了中间整节。**
为什么：一次塞入的文本超过它能稳定处理的范围，首尾保留得较好，中段容易被略过。
怎么办：按章节切分，先逐段要摘要，再让它只根据这些摘要合成总览；每个阶段的产物都落盘，方便回查。上下文如何被消耗，见[上下文窗口](/concepts/context-window/)。

**现象：问它今天几号，它给了一个日期，你误以为它已经联网。**
为什么：日期格式太常见，模型可以凭训练分布猜一个，而不是真的查询。
怎么办：不要把「答得出日期」当成联网证据。需要实时信息时，明确要求它调用搜索并贴出链接与抓取时间；没有链接就按「未联网」处理。以当前版本实际提供的功能为准。

**现象：同一个问题换个说法，它给出互相矛盾的答案。**
为什么：生成带有随机性，且你的措辞改变了它关注的重点；两次回答都不等于事实。
怎么办：把两次答案的差异点列出来，针对差异去查一手资料。差异本身是有用的信号，说明哪里最不确定。

## 收束

能力清单决定你怎么用它，边界清单决定你什么时候停手。下一节算账：[免费版够不够用](/learn/claude-free-vs-pro/)。