AI「一本正经地胡说」的频率，比大家愿意承认的高得多。它会捏造一个统计数字、引用一篇根本不存在的论文，或用它陈述真实事实时同样沉稳的语气，说出一个假事实。这种现象叫做「幻觉」（hallucination）。只要你曾用 ChatGPT、Claude 或 Gemini 处理正经工作，它至少已经坑过你一次。好消息是，大部分幻觉其实在「提示词」层面就能预防，根本不必动用更复杂的设定。
什么是 AI 幻觉？
AI 幻觉，是指一个自信、流畅，但事实上错误的答案。模型并非在说谎，它只是在预测「最合理的下一个词」，而合理并不等于真实。当你问及冷门事实、近期事件，或任何超出模型训练资料范围的东西时，幻觉最容易出现。
理解这一点，会重新定义解决方法。你要做的不是让模型变聪明，而是改变概率，让「我不确定」比「自信地捏造」成为更合理的输出。
修正一：明确允许它说「我不知道」
在预设情况下，模型的行为仿佛每一条问题都必须回答。Anthropic 关于降低幻觉的官方指引就建议，明确允许模型承认不确定，能大幅减少错误信息。你的提示词里加一句话，就能改变它的行为。
在任何事实查询后加上这样一句：「如果你不确定，请直接说明，不要猜测。」听起来简单得过分，但这能移除模型「必须给出定论」的压力。
修正二：先引用原文，再作答
当你贴进一份文件或报告时，别急着要它下结论。Anthropic 建议，先请模型逐字摘录原文的相关句子，然后只根据这些引文来构建答案。这能让回应扎根于真实文字，而非模型的记忆。
效果立竿见影。一个刚刚引用过相关句子的模型，远不容易滑向捏造的细节，因为它的答案此刻已锚定在你几秒内就能亲自核对的证据上。
修正三：强制它先逐步推理
要求模型在下结论前先推理，也就是所谓的「思维链」（chain-of-thought）提示，能减少任何涉及逻辑、数学或多步骤任务的错误。当模型一口气冲向答案时，它会跳过那些本可揪出自身错误的中间检查。
在复杂请求后加上：「在给出最终答案前，请一步一步思考。」你接着就能阅读它的推理，准确找出它在哪一步走错，而不是盲信一个黑箱结论。
修正四：用你自己的资料为它「接地」
最可靠的答案，出现在模型「总结你提供的事实」，而非「回忆它记得的事实」之时。这正是检索增强生成（RAG）的核心思路，但你不需要任何基础设施，也能手动运用这个原则。
把确切的原始文字贴进提示词，并指示：「只根据以上文字作答。若文字中没有答案，请说明未有提及。」此刻模型是在「阅读」而非「回忆」，而阅读正是它最强的地方。
修正五：用第二个模型交叉核对
面对高风险的答案，把同一条问题分别交给两个不同模型，例如 Claude 与 GPT，再作比较。当两个独立模型意见一致时，可信度会急升；当它们出现分歧时，你就精准地找到了那个值得亲手核实的说法。
这其实反映了大型供应商如今内部的做法。在实务上，把任何单一模型的事实声称视为「有待查证的草稿」，而非最终答案，正是可靠的 AI 用户与被坑过的用户之间的关键思维差异。
立即试用：一个抗幻觉提示词
把这个外框套在任何事实查询任务上，并替换方括号的部分。它把五个修正中的四个叠进一个可重用的区块，你可以直接存进笔记。
你正在回答一条事实问题，请遵守以下规则： 1. 只使用下方的原始文字，不要加入外部事实。 2. 首先，引用支持你答案的确切句子。 3. 然后，一步一步作答。 4. 若原文没有答案，请回复：「原文未有提及。」 5. 标明任何你不确定的部分。 原文：[在此贴入你的文件或资料] 问题：[在此输入你的问题]
一个诚实的提醒：这些技巧都无法让模型变得完美，也没有任何提示词能拯救一个「完全没有可靠原始资料」的题目。它们能把概率大幅拉向对你有利的一方，但最后的事实查核，仍然是你的责任。
重点总结
幻觉并非你必须默默忍受的神秘缺陷。允许模型表达不确定、让它先引用与推理再作答、用你自己的资料为它接地，并交叉核对重要的内容。做到这些，「自信地出错」这个问题，就会缩小成你能够管理的程度。
可靠的 AI，靠的不是一个魔法模型，而是围绕它的习惯。懂AI的冷，更懂你的难 — UD 同行28年，让科技成为有温度的陪伴。
知道这些修正只是第一步。下一步，是把它们整合进一套经过验证、可重复，并且全团队都信任的工作流程。UD 团队手把手带你完成每一步，由提示词设计，到一套让 AI 输出保持诚实的验证流程。
