什麼是驗證鏈提示法？
驗證鏈是一種三步提示模式：先讓模型草擬答案，再讓它列出一組可以檢驗這份草稿的事實問題，然後在完全獨立的對話中回答這些問題，最後據此改寫草稿。它把事實查核從你的手動工作，轉為模型對自己執行的一個步驟。
這個模式來自 2023 年由 Shehzaad Dhuliawala 及 Meta AI 團隊發表的論文《Chain-of-Verification Reduces Hallucination in Large Language Models》。他們的發現是：模型在一個全新、隔離的步驟中檢驗自己的說法時，能揪出它在原本對話裡會理直氣壯維護的錯誤。
機制比名字重要。真正發揮作用的是「隔離」。當驗證問題不是在草稿面前作答，模型就無法單純附和自己。
為什麼讓 AI 檢查自己的答案真的有效？
因為模型針對一個窄問題重新作答，跟它審視自己剛寫完的段落，是兩種不同的行為。草稿本身會成為上下文，令模型傾向同意。把草稿抽走，冷啟動地問同一條窄問題，答案往往會不同，而這個差異就是錯誤訊號。
這也解釋了為什麼「請檢查以上內容是否準確」幾乎查不出東西。那些說法仍然在上下文裡，模型會把它們讀成既定前提，然後去尋找它們正確的理由。
Anthropic 在其減少幻覺官方文件中，從另一個角度指向同一個原理。它建議在模型生成回覆之後，要求模型為每一項說法找出支持的原文引述，找不到就必須撤回該說法。
對於不寫程式的人，實際做法就是兩個對話視窗，一個原有對話加一個全新對話。這就是全部所需的「基礎設施」。
驗證鏈的三個提示具體怎樣寫？
第一個提示照常產出草稿，第二個提示在同一對話中生成驗證問題，第三個提示則在毫無歷史紀錄的全新對話中作答。把驗證後的答案貼回第一個對話，要求重寫。三個提示，大約四分鐘，適用於現時任何一個主流模型。
提示二：生成驗證問題
--- 在草稿之後，於同一對話貼上：
「列出你上面答案中所有可能出錯的事實性陳述：人名、日期、數字、價格、職銜、產品功能、引述。針對每一項，寫一條簡短問題以確認或推翻它。問題必須讓一個從未看過你草稿的人也能回答。只輸出編號問題，不要其他內容。如果某項屬於你的推論而非事實，標註 INFERENCE，並且不要為它寫問題。」
提示三：在隔離狀態下作答
--- 開一個全新對話。沒有歷史、沒有草稿、不解釋問題來源：
「請獨立且簡短地回答以下每一條問題。如果你不知道，或無法從一個你能說出名字的來源核實，請寫 UNVERIFIED，並說明什麼來源可以確認。不要猜測，不要用聽起來合理的說法含糊帶過，也不要推測這些問題的用途。1. [貼上] 2. [貼上] 3. [貼上]」
然後回到第一個對話，貼上答案並給一句指令：按這些已核實的答案改寫草稿，刪除所有標示 UNVERIFIED 的內容，不得新增任何說法。
在真實工作任務上會發生什麼？
舉一個常見情境。你在客戶會議前，要求 AI 撰寫一頁競爭對手簡報。草稿回來時語氣自信、結構完整，裡面卻有一輪從未發生的融資、一位兩年前已離任的行政總裁，以及一個早已下架的收費方案。
執行提示二，模型通常會產出八至十二條問題：「X 公司的 B 輪融資在何時完成、金額多少？」「X 公司現任行政總裁是誰？」「X 公司付費方案的入門價格是多少？」
在隔離狀態執行提示三，實務上的模式相當一致：部分答案與草稿吻合，少數回覆 UNVERIFIED，另有一兩項與草稿直接矛盾。那些矛盾，正是會讓你在會議上出醜的部分。
同一個流程也適用於數據摘要、市場規模段落、合規說明，或你為真實人物撰寫的簡介。任何一個具體數字出錯的代價，高於這四分鐘的輸出，都值得跑一次。
哪兩句話應該出現在每個事實密集的提示裡？
有兩條指令在需要驗證之前，就完成了大部分預防工作。Anthropic 的文件同時列出這兩點：明確允許模型說「我不知道」，以及在長文件任務中，先抽取逐字原文引述再開始分析。
--- 第一句：「如果你對某個具體事實沒有把握，請在它旁邊寫上 UNVERIFIED，而不是給出你認為最可能的答案。一個不完整的答案，對我比一個自信但錯誤的答案更有用。」
--- 第二句，適用於任何以你提供的文件為基礎的任務：「回答之前，先從文件中抽取支持你答案的原句，逐字引述。然後只根據這些引述作答。如果文件中沒有答案，請直接說明。」
Anthropic 特別建議在約 20,000 tokens 以上的文件使用先引述後作答的做法，大約相當於 15,000 字或一份 40 頁的 PDF。低於這個長度同樣有幫助，因為它迫使模型指向文本，而不是指向記憶。
這兩句話不用付出任何成本，卻改變了失敗的形態。你得到的不再是流暢的杜撰，而是一個看得見、可以去補上的空缺。
驗證鏈在什麼情況下會失效？
它抓的是事實性錯誤，不是推理錯誤、判斷失當，或模型根本無從得知的內容。一個對某家香港私人公司毫無可靠資料的模型，會在草稿中給出自信的錯誤答案，也會在驗證階段給出自信的錯誤答案，因為兩者源自同一個空缺。
--- 訓練截止日之後的資訊會失效。沒有網絡搜尋的驗證，只是對記憶的驗證。涉及近期價格、人事變動或產品功能時，請使用已開啟搜尋的模型，並要求每個答案附上連結。
--- 對計算得出的數字效果薄弱。如果草稿把兩個數字相乘算錯了，兩輪都可能重複同一個算術失誤。應改為要求模型完整寫出計算過程。
--- 抄捷徑就會前功盡棄。把提示三放在同一對話中執行，效果會完全消失。隔離本身就是這個技巧。少了它，你只是多打了兩個提示。
--- 它不能取代法律、醫療或財務內容的人手覆核。它的作用是減少送到你眼前的錯誤數量，而不是讓你的眼睛離開流程。
怎樣把它變成可重複的流程？
把提示二和提示三存成可一鍵貼上的文字片段，並把那兩句預防指令，放進工具會自動套用的位置。在 ChatGPT 是自訂指令或自建 GPT，在 Claude 是專案指令，在 Gemini 則是已儲存的 Gem。這個技巧只有在你不需要刻意記住時，才真正划算。
讓它持續運作的關鍵是觸發條件，而不是自律。事先決定哪類輸出需要驗證。一個可行的預設：任何含有數字、人名或日期，而且會被團隊以外的人看到的內容。
其餘的一律略過。對腦力激盪或初稿大綱做驗證，只會浪費那四分鐘，並讓你開始厭惡這個步驟。
還有一個值得一次設定好的細節。如果你的工具容許關閉記憶功能或開啟臨時對話，請在提示三使用它。記憶功能可能把你正要隔離的那份草稿重新帶回上下文，悄悄地把你打回原形，變成一次什麼都查不出的單一情境檢查。
立即試做：五分鐘測試
找一段你本星期由 AI 寫成、至少包含三個具體事實的文字。可以是客戶簡報、關於行業趨勢的 LinkedIn 貼文，或一份報告摘要。不要挑你早已確定正確的內容。
對它執行提示二，數一數問題有多少條。開一個全新對話執行提示三，然後逐行比對每個答案與原文。
多數人在第一次嘗試就會找到一項矛盾與兩項 UNVERIFIED。那就是你目前工作流程正在放行的錯誤數量。知道這個數字，正是這個練習的意義。
如果輸出不穩定是你更廣泛的問題，我們早前關於非工程師的情境工程一文，講解了每個提示背後的五個層次。
重點回顧
AI 捏造事實，不是因為它馬虎。而是因為對它而言，產出一句通順的句子和產出一句真實的句子，是同一個動作，而普通的提示並沒有把兩者分開。
驗證鏈把兩者分開，用的只是第二個視窗和一句更嚴格的指令。四分鐘、不需工具、不需訂閱，而且適用於你現時已經在付費使用的每一個模型。
能穩定得到可靠 AI 輸出的人與得不到的人之間，差距很少在於天賦，多數只在於一個沒有人告訴他們要加上的步驟。懂AI的冷，更懂你的難 UD 同行28年，讓科技成為有溫度的陪伴。
由 UD AI 團隊審閱。
把一個技巧，變成一套可運作的系統
掌握驗證流程只是第一步。把它嵌入整個團隊每次都以相同方式執行的工作流程，價值才會累積。UD 團隊手把手帶你完成每一步，由提示設計、工具配置，到在團隊內全面部署。
