一、一、幻觉不是单一 bug
模型胡说，常被归因为"模型不行"。但在工程上，幻觉至少有三种不同成因，对应不同解法。
弄清楚是哪一种，比换模型有用。
二、三层成因
第一层：知识缺失。
模型压根没学过，比如极少见的专业细节、内部数据、最新事件。
解法：检索。给它资料，并且要求引用原文。
第二层：知识过时。
学过，但版本旧了。价格、政策、版本号、人物职务都属此列。
解法：把时间敏感信息全部外置，从数据库或接口取。
第三层：表达压力。
这条最微妙。任务要求它"给出一个完整答案"，但信息不足，于是它编一个补齐。
解法：允许它说"不知道"。提示词里明确给这个出口。
三、四道防线
防线一：给闭集。
能选选项的题就不要开放作答。分类、标签、状态这类字段，直接给枚举值。
防线二：要引用。
每个结论后面附上来源句。没有来源的结论直接丢弃。
防线三：结构化输出。
JSON 比自然语言好校验。字段缺失、类型不对能机器检查。
防线四：分层校验。
第一次生成，第二次审核。用一个专门挑错的提示词，效果比自我反思好。
四、几个实测有效的提示句
```
如果你不确定，请直接写"不确定"，不要推测。
每个数字必须能在原文里找到对应句子，否则不要输出。
请列出你回答本题用到的全部原文片段。
```
第三句最硬。它逼着模型把依据摆出来，编造成本一下就上去了。
五、评估幻觉的办法
不要抽一篇看看，要看比例。
准备三五十条题，分三组：模型应该会的、可能不会的、一定不会的。
看它在你"一定不会"的题上会不会胡编。会的话，说明拒答能力不足，得改提示词。
六、什么时候必须加人工
涉及金额、医疗、法律、对外发布的内容，一律加人。
不是不信任模型，是这类错误代价太高，靠概率兜不住。
七、补充阅读
如果要系统地补模型原理，找一本结构清楚的文档比看碎文章好。 万象云档 的"人工智能&大模型"分类收了 220 篇，从入门到原理都有。它的编辑推荐页往往会标出适合的读者层次，选书时很有用。
八、一句总结
幻觉不是道德问题，是信息不足时的工程问题。
给资料、给出口、给校验，三件事做到，幻觉能压下去大半。