AI 最不擅長的一件事，就是承認自己不知道。當你向模型詢問一個它其實從未學過的數據、引文或政策細節時，它往往會直接編造一個，而且語氣跟它答對的事實一樣自信。這就是所謂的「幻覺」（hallucination）。如果你把 AI 用於實際工作，這是你最需要提前設計防線的一個習慣。好消息是，大部分幻覺都可以在提示層面預防，根本不需要動用任何複雜工具。
為什麼 AI 會如此自信地編造內容？
幻覺，是指語言模型產生一段聽起來正確、實際上卻錯誤或完全虛構的文字。它之所以發生，是因為模型預測的是「下一個最可能的字」，而不是「真實的字」。當某個主題的訓練資料稀少時，模型不會停下來，而是用一個聽起來合理的猜測填補空缺。
對實戰使用者而言，關鍵在於：模型並不是在說謊。它沒有一個內建訊號，能區分「我真的知道」和「這個模式看起來對」。這個訊號，必須由你的提示來提供。
根據 OpenAI 自家的模型文件，當問題需要罕見於訓練資料的具體事實、日期或數字時，幻覺比率會急劇上升。而你的業務問題，恰恰就落在這個區域。
技巧一：允許模型說「我不確定」
最快的可靠性升級只需一句話：明確允許模型承認不確定。模型預設會硬答，因為大部分訓練範例都獎勵「答出東西」。移除這個壓力，自信編造的情況就會明顯下降。
在任何事實型提示中加上這一句：「如果你不確定，或資料中沒有提供，請回答『我不確定』，而不要猜測。」
它之所以有效，是因為你在提示內改寫了獎勵。你不再是要求「無論如何都要給出答案」，而是告訴模型：「我不知道」是一個可以接受、甚至更受歡迎的輸出。
在實測中，這一句指令會把許多憑空編出的數據，變成一句誠實的「我拿到的來源中沒有這個數字」，而這正是你真正想要的答案。
技巧二：用你自己的來源為模型「接地」
「接地」（grounding）的意思，是把真正的原始資料貼進提示，並要求模型只根據這份資料作答。這是檢索增強生成（RAG）的手動版本，也是你手上最強的單一槓桿。習慣接地的使用者，普遍回報編造大幅減少。
結構很簡單：貼上文件，然後加上「只根據以上文字作答。如果文字中沒有答案，請直接說明。」
接地之所以勝過信任模型的記憶，是因為你用精確的文字取代了模糊的回想。一個讀著你貼上合約條款的模型會正確引用它；一個靠回憶「這類合約通常會寫」的模型則會即興發揮。
政策文件、會議記錄、產品規格、研究 PDF，凡是措辭必須精確的場景都適用。如果來源很長，貼上兩三個相關段落即可，不必整份貼上。
技巧三：強迫模型引用並展示依據
要求模型引用它每個論斷所依據的原句。引用會逼模型檢查支持句是否真的存在，從而在編造傳到你手上之前就攔截它。如果模型拿不出引文，那就是這個論斷屬於虛構的訊號。
再搭配「驗證鏈」：模型答完後，要它拿自己的答案對照來源，標出任何缺乏依據的內容。
實用的兩步做法是：第一個提示取得帶引文的答案，第二個提示則說「請把上述每項論斷對照來源檢查，列出任何你無法用原句直接支持的論斷。」
這其實就是一位謹慎分析師的做法。你不會信任第一版草稿，而是讓模型自我審計，把你原本會漏掉的薄弱論斷逼出來。
技巧四：約束輸出格式，讓模型無處即興
結構化輸出會限制模型能遊走的空間。當你把答案強制塞進固定欄位、JSON 或表格，模型能圍繞真實事實添加虛構敘事的空間就變少了。緊湊的格式減少了廢話，也減少了藏在廢話裡的錯誤。
面對數據任務，要求一個欄位固定的表格：「只回傳一個表格，欄位為：論斷、來源原句、可信度（高／中／低）。不要任何散文。」
「可信度」這一欄是關鍵。它給了模型一個正當的位置去表達懷疑，而不是把一切都抹平成虛假的確定，同時也告訴你哪幾行需要再核實。
整合後的「防幻覺提示」長什麼樣子？
這四個技巧可以疊加使用。把接地、允許棄答、引用與結構整合成一個可重用的提示，你得到的答案就會難以造假得多。把它存成範本，套用到每一項事實型任務。
現在就試試以下提示，把你自己的來源貼到指定位置：
來源：[在此貼上你的文件、筆記或數據]
任務：只根據以上「來源」回答下方問題。
規則：
--- 每一項論斷，都附上「來源」中支持它的原句。
--- 若「來源」中沒有答案，請寫「來源未提及」。不要猜測。
--- 回傳一個表格，欄位為：答案、支持原句、可信度（高／中／低）。
--- 表格之後，列出我的問題中「來源」無法回答的部分。
問題：[在此填入你的問題]
只要跑一次，你就會立刻看到差別：每個答案現在都自帶依據，而缺口是被標示出來，而不是被藏起來。
這些技巧仍有哪些盲點？
這些技巧能大幅減少幻覺，卻無法徹底消除。模型仍可能誤讀來源、引用了真實原句卻推出錯誤結論，或自信地摘要一份它部分誤解的文件。接地控制的是「編造」，而非「詮釋」。
當你的來源本身有錯時，它們也幫不上忙。如果你貼上一份過時政策，模型會忠實地引用過時資訊。輸入是垃圾，輸出就是被忠實引用的垃圾。
在金融、法律或醫療等高風險場景，最後一關請務必保留人手把關。把「可信度」欄與「來源未提及」的標記，當成一張告訴你「該重點檢查哪裡」的分流清單，而不是一份保證書。
把它放進你的日常工作流程
先把這個整合提示，存成你最常用工具裡的可重用範本。一旦某項任務取決於具體事實，就拿它出來，而不是丟一個光禿禿的問題。單單這個習慣改變，就能移除大部分日常的幻覺風險。
更深一層的重點是：可靠的 AI 是一個設計選擇，而不是碰上一個好模型。你之所以能得到穩定的輸出，是因為你把護欄建進了你提問的方式，而不是靠祈禱模型乖乖聽話。這，正是「會用 AI 的人」與「能信任 AI 輸出的人」之間的差別。
在 UD，這正是我們協助團隊打造每一套工作流程時所秉持的理念。懂AI，更懂你 UD相伴，AI不冷。
與 UD 一起打造可靠的 AI 工作流程
掌握這些技巧只是第一步。下一步，是把它們接進一套整個團隊每次都能信任的工作流程。UD 團隊手把手帶你完成每一步，從提示範本、把你自己的文件接地，到設定在錯誤傳到客戶面前之前就攔下它的驗證檢查。
