总结
人工复核应先确认账号身份和链接，再检查推荐理由是否指向真实、近期、与任务相关的内容；之后核对受众、数据日期、赞助冲突、品牌安全、重复联系和未确认项。 抽样复核被 AI 排除的候选，才能发现系统性漏选。最终决定必须保存复核人、证据和理由，AI 分数只能帮助排序，不能替代责任人。
先排除身份与数据拼接错误
同名账号、跨平台昵称、粉丝页和已停用主页容易被错误合并。对照主页链接、平台 ID、公开联系人和内容风格，确认每条数据属于同一主体。
发现冲突时保留两种可能，不要让模型自动选择一个看似最完整的档案。
要求推荐理由链接到内容
“适合科技品牌”必须指向具体内容、发布时间和匹配信号，例如最近 10 条中有 4 条是软件流程演示。打开链接确认内容仍存在，并检查 AI 摘要是否脱离语境。
无法追溯的理由只能标记为待确认，不能作为外联个性化素材。
同时抽查通过与排除结果
若只看推荐名单，只能发现误收，不能发现漏选。按市场、语言、规模和内容类型分层，从排除池中抽取至少 10% 做复核。
记录误收率和漏选率，并追踪原因是搜索覆盖、数据过期、规则偏差还是模型解释错误。NIST AI RMF 强调治理、测量和管理风险，这些记录让团队能真正改进流程。
把自动动作限制在可撤销范围
AI 可以收集、整理、去重和生成待审核理由；发送外联、承诺预算、排除高价值候选和确认合规需要人工批准。
QuickKOL 应保存模型或规则版本、运行时间、数据来源和人工变更。名单变化时，团队可以解释谁改了什么，而不是重新生成后丢失历史。
同时测量误收、漏选和无法验证
假设 AI 推荐 120 位候选，人工抽查 30 位推荐结果发现 6 位不符合，样本误收率是 20%；再从 380 位排除结果中抽查 38 位，发现 5 位其实符合，样本漏选率约为 13.2%。两项都要记录，因为只看推荐池会让系统看起来比实际更准确。
第三类是无法验证：链接失效、数据没有日期或理由没有证据。这些记录不能被强迫归入正确或错误，应进入补充数据队列。NIST AI RMF 以 Govern、Map、Measure、Manage 组织持续风险管理；在 QuickKOL 中，对应做法是明确责任、描述使用场景、测量样本错误并决定是否暂停或调整自动化。
AI 名单复核结果
正确、错误与无法验证必须分开。
| 结果 | 定义 | 动作 |
|---|---|---|
| 确认推荐 | 证据支持进入名单 | 进入外联准备 |
| 错误推荐 | 不满足已定义条件 | 记录原因并修正规则 |
| 错误排除 | 被排除但实际符合 | 恢复并查找偏差 |
| 无法验证 | 证据缺失或冲突 | 补数据或人工确认 |
实用工具
AI 名单抽样审计计算器
输入总体、样本和问题数，估算需要扩大复核的工作量。
资料来源与延伸阅读
外部页面可能更新；平台规则、合同与当地法规应在 Campaign 启动前再次确认。