适合拿来测试的职场材料，主要有两类：一类是有明确来源、可以对照核对的文字材料，用来测试起草能力；另一类是有分类定义和正反例的材料，用来测试判断的一致性。材料越容易追溯依据，测试结果越容易复查。
一、用于测试起草能力：笔记和源文本
会议记录、访谈笔记、项目背景资料、已有报告片段，以及与任务直接相关的要求说明，都可以作为起草测试的输入。OpenAI 的 ChatGPT for Word 帮助页明确说明，ChatGPT 可以依据笔记和源文本起草备忘录、提案或报告。
测试时不必只给一个宽泛指令。可以把材料分成几个部分：
- 输入材料：笔记、源文本、背景说明和格式要求；
- 任务要求：要写备忘录、提案还是报告，面向谁写，达到什么目的；
- 核对标准：哪些内容必须保留，哪些内容不能自行补充，输出应采用什么结构。
例如，拿到会议笔记和项目资料后，可以要求模型先列出提纲，再分别起草一段备忘录或报告初稿。检查重点不是文字是否流畅，而是每个关键结论能否在原材料中找到对应内容，是否遗漏了重要限制，以及有没有加入没有依据的判断。
如果材料之间存在冲突，还应观察模型是否会指出冲突，而不是把不同说法拼成一个看似完整的结论。这个测试只能帮助发现输出中的问题，不能替代对事实和业务语境的确认。
二、用于测试分类能力：定义、规则和正反例
如果任务是判断一份材料属于哪个类别，适合准备一套清晰的分类规则，以及可接受和不可接受的输出示例。OpenAI 的创建和编辑 GPT 指南指出，如果自定义 GPT 需要应用特定定义或进行分类，应包含可接受和不可接受输出的简短示例。
因此，分类测试不应只有“请把这段文字分类”这样的指令，还要明确：
- 分类依据是什么；
- 每个类别对应哪些特征；
- 哪些边界情况容易混淆；
- 哪些输出算作可接受，哪些输出应判为不可接受。
例如，可以提供几条已经确定类别的材料，让模型处理新的条目，再逐项对照人工判断。需要核对的不只是最终标签，还包括它是否遵守了给定定义，是否对相似案例保持一致，以及在信息不足时有没有擅自作出确定判断。
没有正反例时，模型可能只能凭表面措辞理解任务；有了具体示例，测试者才更容易判断问题来自模型，还是来自规则本身没有说清楚。
三、怎样让一次测试更有用
为了让结果可复查，可以把每次测试固定为同一种流程：
- 先提供完整材料，而不是只截取片段。
- 写清任务目标、适用范围和输出格式。
- 要求模型把关键判断与对应材料关联起来。
- 再让模型生成结果。
- 逐项对照原材料、分类规则和人工判断，记录遗漏、增添和误判。
如果条件允许，还可以把同一材料交给不同模型或不同设置进行比较。比较时应使用相同的输入、相同的任务要求和相同的评分标准；否则，表面上看到的差异可能只是测试条件不同，而不是能力差异。
四、哪些材料不宜直接据此下结论
材料本身适合测试，不等于测试结果可以直接用于工作决策。涉及个人信息、商业秘密或组织内部敏感信息的材料，在上传前应先确认是否有相应授权，以及所用工具的隐私设置是否符合组织要求。
对于分类、审批、绩效评价等会影响他人的任务，模型输出只能作为辅助材料。即使测试表现良好，也仍需人工确认关键事实、边界情况和实际后果。来源没有说明的内容，不能因为模型写得完整，就当作已经得到证实。
因此，最适合的职场材料不是“看起来很复杂”的文件，而是输入清楚、规则明确、结果能够对照核对的材料。测试结束后，结论也应落在具体表现上：模型完成了什么、遗漏了什么、在哪些情况下需要人工接管。