AI总是胡说怎么办？5个减少幻觉的实用技巧
对，这就是经典的AI幻觉——模型自信满满地编造不存在的事实，听起来还头头是道。说白了，这就像考前没复习的学渣，被拉去答题，只好现场发挥全凭印象瞎写。因为大模型不是数据库，它本质是根据概率续写句子，遇到记忆模糊或不知道的细节，就会“脑补”一个看起来合理的答案。
第一个技巧就很硬核：让AI引用来源，而且指定要真实可查的链接或文献。比如：“请给出你回答的依据，并附上可访问的URL或DOI”。很多产品如Perplexity、Kimi K3都内置了联网搜索，结果里会直接标出处。用GPT-5.5或者Claude Opus 4.7的时候，你也可以在提示词里要求“请用联网功能，并标注每一条信息的来源”。但要注意，有时它给出的引用也是瞎编的，尤其是要求引学术论文的时候——它可能把真实的作者、刊物混搭出一个不存在的文献，这个坑我踩过，所以下一步得验证。
你问到痛点了，很多人以为让AI加引用就万事大吉，其实它们照样能在引用里夹带私货。所以才有第二个技巧：教会AI表达不确定。在提示词里直接加一句：“如果你对某个细节不确定，就告诉我你不确定，不要猜测。”这有点像你向路人问路，诚实的人会说“抱歉我不清楚”，而不是乱指一条路。模型一旦被允许说“不知道”，它编造的概率会大幅下降。
具体做法：开头先设定人设：“你是一个严谨的研究助理，对于无法查证的信息必须明确标注[不确定]，并说明原因。”这样它在回复里就会自己划出有把握和没把握的部分，你一看就知道哪里该自己复查。实测下来，越是给模型“诚实”的许可，它越不会硬撑。
有，这就引出了第三个技巧：分步骤思考，并给它一份检查清单。打个比方，你让实习生写方案，直接说“写个报告”他可能胡乱抄模板，但如果你说“先列出三个关键假设，再逐一分析，最后给出结论，中途如果遇到数据缺失请标出”，质量立马不一样。
操作上可以分为两步：
- 在提示词里要求模型“先一步步推理，每一步验证后再继续，不要跳过中间步骤”。这其实是强迫模型激活它的推理链，现在很多模型比如DeepSeek R2、Claude 4.7 Thinking本身就是推理型，天生会多步思考；即便用普通模型，也能通过“你逐步想，先列大纲，再逐点分析”的指令诱发类似效果。
- 给它一个自检清单：“回答前请检查以下三点：①所有数据是否有公开来源？②逻辑是否有跳跃？③有没有未经证实的假设？”让模型自己打完草稿再交卷，幻觉得到明显压制。
没错，这就是第四个技巧：对比多模型，尤其是不同架构或不同训练数据的模型。比如把Gemini 3 Ultra和DeepSeek V4的回答放在一起看，幻觉重合度会大大降低。因为各家模型的知识和“幻觉惯性”不完全一样，某个模型津津乐道的事件可能是另一个模型完全没学过的，一对比就露馅。不过要注意，如果它们都从同一批错误网络资料里学到同一个谣言，还是会一起犯错，所以别把交叉验证当绝对真理。
这里还得补一个重要原则：有些任务压根不能信AI，这是第五个技巧——人工验证底线。具体来说：
- 医疗建议、法律条款、投资决策：AI的答案必须零信任，一定要找专业人士核对。
- 涉及精确数字、日期、人名的内容：AI经常在这一类上翻车，因为概率模型天生不擅长死记硬背唯一正确答案。
- 你给AI喂的内部数据，它也照样可能张冠李戴，重要文档生成后一定得人工过一遍。
我见过最惨的案例是有人直接用AI写的股权协议，结果连公司名称都编错了，还好没签字。这种事就不是技巧能兜底的了，得靠流程。