AI 为什么会「捏造事实」？诚实的解释
AI 语言模型并不像数据库那样「知道」事实。它们通过预测给定上文后最可能出现的下一个词来生成文字——这意味着当训练数据无法清晰支撑某个具体答案时，模型仍然会生成一个。它用听起来合理的文字填补空白。这就是「幻觉」（Hallucination），它是这类模型工作方式的结构性特征，而非一个能被完全修补的缺陷。
根据 AllAboutAI 2026 年的报告，现有前沿模型的幻觉率在 3% 至 27% 之间，视任务类型而定——其中事实回忆任务和引用请求的幻觉率最高。对于每天使用 AI 的从业者而言，这意味着大约每 10 个事实性陈述中就有 1 个可能是捏造的，尤其是涉及具体人名、日期、统计数字或网址时。
好消息是：幻觉的出现并非随机，它遵循可预测的规律。一旦你理解这些规律，就可以通过提示技术将幻觉率降低 40–60%——无需更换模型，也无需额外付费。本文介绍六个在 ChatGPT、Claude 和 Gemini 上均有效的技术，并附有即用示例。
哪些任务类型最容易触发幻觉？
幻觉的分布并不均匀。SQ Magazine 2026 年的分析识别出五类高风险任务：具体引用与文献来源、训练截止日期后的近期事件、小众或高度具体的统计数据、具名实体（人名、企业、产品），以及涉及真实世界数据的多步骤计算。
低风险任务的幻觉率则低于 5%，包括摘要你已提供的内容、改写或重新格式化现有文字、根据明确模板生成结构化输出，以及不要求事实准确性的头脑风暴。
这个区别对从业者至关重要。幻觉在很大程度上取决于你在问什么，而非仅仅取决于你使用哪个模型。同一个能捏造统计数字的 GPT-5.4，在摘要你粘贴的文件时却能做到几乎完全准确。解决方案不一定是换模型——而是改变任务设计。
技术一：将模型的回答锚定在你的资料来源
减少幻觉最有效的技术也是最简单的：不要要求模型从记忆中召唤事实——而是把事实直接给它，让它基于这些资料回答。将文件、文章或数据粘贴到对话中，明确告知模型只能基于这些资料回答。
这种方法有时被称为「接地生成」（Grounded Generation）。根据 PMC 发表的幻觉归因研究，与开放式回忆提示相比，接地提示在信息检索任务上能将幻觉减少约 40%。
即用提示模板：
--- 以下是来自【文件名称】的段落。请仅使用这段文字中包含的信息回答以下问题。如果这段文字不足以回答问题，请说「该段落未直接涉及此问题」，而非进行推断。
--- 【在此粘贴段落】
--- 问题：【你的问题】
「而非进行推断」这句话至关重要。缺少它，模型往往会从部分证据出发向前推理填补空白——这正是那些听起来自信的幻觉的产生方式。
技术二：要求模型展示推理过程
思维链（Chain-of-Thought）提示——要求模型在陈述结论之前逐步推理——是研究最深入的幻觉减少技术之一。2024 年斯坦福大学的研究发现，将检索增强的接地方法与思维链提示结合使用，与非结构化基准提示相比，幻觉率降低了 96%。
其机制直接明了：当模型将推理过程外化时，它就少了隐藏弱推论的空间。一个在单一步骤中生成的自信答案可能掩盖一连串猜测，而逐步推理轨迹则会明确地呈现这些猜测，让你有机会发现并质疑它们。
即用提示模板：
--- 在给出最终答案之前，请逐步说明你的推理过程。对于每个步骤，请说明你是：（a）基于我提供的信息、（b）基于你有把握的通识、还是（c）进行推断或估算。相应地标记每个步骤，然后再给出最终答案。
技术三：要求提供来源与信心等级
当任务需要事实性陈述时，加入一条结构性规则：每个陈述都必须附有引用来源和信心等级说明。一项大型新闻分析系统研究验证了这一技术——要求为每个陈述标注来源，与未注明出处的提示相比，幻觉率降低了约 40%。
其机制与思维链类似：当你明确要求所有陈述都需要归因，模型就无法生成听起来自信但无来源的陈述。捏造的引用确实仍会发生——但发生率会大幅下降，而且捏造的引用比嵌入流畅散文中的捏造事实更容易核实和发现。
即用提示模板：
--- 对于你提出的每一个事实性陈述，请附上：（1）紧接在陈述后方加上方括号的来源——可以是我提供的具体文件，或公共机构、报告、研究的名称；（2）信心等级：高（确定）、中（可能但未核实）、低（估算）。如果你无法以高或中信心为某个陈述提供来源，请勿提出该陈述——改为以【未核实】标记。
技术四：使用输出格式约束
要求模型生成结构化、受限的输出——JSON、带有明确字段的编号列表、格式化表格——能通过缩小模型回应的设计空间来减少幻觉。当输出格式严格时，模型就没有空间引入合理但捏造的填充内容。自由形式散文的幻觉率最高；严格架构输出的幻觉率最低。
根据 Voiceflow 关于 LLM 幻觉预防的研究，结构化输出约束对数据提取任务特别有效——即模型必须从文件中提取特定字段，而非自由摘要或诠释。
即用提示模板：
--- 从我提供的文件中提取以下字段。仅以 JSON 对象形式返回你的答案，使用以下精确键名：name、date、location、key_figure、main_claim。如果某个字段在文件中未明确说明，则使用 null 作为值。不要推断文件中未明确存在的值。
技术五：将复杂任务分解为较小步骤
多步骤任务会增加幻觉风险，因为错误会在步骤间累积。如果模型在六步骤链中的第二步做出了微小的推断错误，每个后续步骤都建立在有缺陷的基础上——最终输出可能严重偏差，同时看起来内部一致。
解决方法是分解复杂任务，并在继续之前验证每个步骤。不要要求「研究这个主题并撰写一篇含统计数据的 1000 字报告」，而是分解为：（1）这份报告应回答哪些核心问题？（2）对于每个问题，我需要提供什么信息？（3）根据我提供的信息，为第一个问题起草章节。
即用提示模板：
--- 我们将逐步完成这项任务。在我确认当前步骤正确之前，请勿进行到下一步。仅执行步骤一：【第一个子任务】。完成步骤一后停下来，等待我的反馈。
技术六：建立个人核实习惯
没有任何提示技术能完全消除幻觉。最后一道防线是一个持续的个人习惯：在使用任何具体、高风险的陈述之前核实它。这意味着对照具名来源核查统计数字、确认网址确实可访问，以及在草稿离手前交叉核实具名实体的细节（人物头衔、公司名称、日期）。
一个实用的系统：用 AI 生成初稿，然后带着明确的核实意识阅读。标记每一个具体数字、具名来源和专有名词。随机抽查其中 20%。对于面向客户或法律相关的内容，全部核查。根据 Lakera 2026 年的 LLM 幻觉指南，将提示防护机制与核实工作流程结合使用的从业者，在最终输出中关键性幻觉率低于 2%，而仅依赖模型输出而不审阅的用户则高达 15–20%。
懂AI，更懂你——UD相伴，AI不冷。这六个技术代表着「偶尔让你失望的 AI」与「在你工作流程中稳定运作的 AI」之间的实际差距。模型已足够强大，你为它建立的系统决定了这种力量是否稳定。
建立能稳定输出结果的 AI 工作流程
你现在已掌握六个经过验证的 AI 幻觉减少技术。下一步是将这些技术整合到可重复执行的工作流程中，而非临时性地应用它们。UD 团队手把手带你完成每一步——从提示系统设计到能真正扩展的输出核实工作流程，让 AI 成为你可以信任的工作伙伴。