AI会一本正经地编造数据、法条和文献。本文讲清幻觉产生的三个原因，给出五道可落地的防线：限定来源、要求标注、交叉验证、结构约束、人工复核清单，并附一份可直接使用的核查提示词。
AI幻觉指的是：模型生成了看似合理、实际错误或完全虚构的内容。它编出来的法条带条号、编出来的论文有作者和期刊、编出来的数据精确到小数点——这正是它危险的地方。
产生原因主要有三个：
① 模型的本质是按概率生成文字，它的目标是"下一个字看起来合理"，而不是"这句话是真的"。
② 训练数据的边界。 模型不知道自己的知识截止到什么时候，对它不知道的东西，它会倾向于"补全"而不是承认不知道。
③ 指令压力。 当你要求它"必须给出答案"时，它更可能编造而不是说"我不知道"。
理解这一点很重要：幻觉是概率模型的固有特性，不是bug，无法靠升级版本彻底解决。 能做的是建立防线。
最有效的一招——在提示词里明确禁止模型使用自己的知识：
只使用以下资料中的信息回答问题："""【粘贴资料】"""
资料中没有的信息，一律回答"资料未提及"，不要推测、不要补充、不要使用你的已有知识。
如果资料内容不足以回答问题，请说明还缺少什么信息。
这一句能把幻觉率降到很低的水平。代价是AI不再"聪明"，但换来了可追溯性——在企业场景里，这个交换几乎总是值得的。
让每一条结论都带着来源，幻觉就无处藏身：
每条结论后面用括号标注依据：如"（来源：附件第3页表格）"或"（来源：你提供的2026年Q2报表）"。
无法标注来源的条目单独列在"待核实"部分。
这个技巧还有一个额外好处：你一眼就能看出哪些内容是AI"自己想的"。
同一个问题换一个角度再问一次，结果对不上就说明有问题：
对重要数字（金额、比例、日期、法条编号），交叉验证应该成为固定动作，而不是偶尔为之。
结构化的输出格式会显著减少胡编：
请按以下表格输出：结论 | 依据（原文引用） | 置信度（高/中/低） | 需人工核实
其中"依据"列必须是原文的原话引用，不许改写；"置信度"按你对这条结论的确信程度填写。
"必须原文引用"这一条特别有效——模型没法编造时，它会自己把置信度标成"低"，这本身就是有用的信号。
不同内容的复核强度不同。建议按风险分级：
必须逐条核对原始资料的：金额与合同条款、法律法规条文与文号、对外发布的数字、客户承诺、人事与财务数据、医疗与安全相关内容
抽样核对即可的：内部汇报的趋势描述、一般性知识解释、文案初稿
可以直接用的：格式转换、语言润色、结构整理、代码注释生成
一份实用的复核提示词：
以下是你刚才生成的内容："""【粘贴】"""
请自查并列出：①所有出现的数字、日期、名称、条款——逐条标注"已核对/未核对"；②任何你使用了资料之外信息的地方；③任何你做了推测但没有明确说明的地方。只输出检查清单，不要重写内容。
大多数人写提示词时，潜意识里是在要求AI"给个答案"。换个写法，效果完全不同：
给AI一个"可以不知道"的出口，它会更少编造。这大概是所有技巧里成本最低、收益最高的一个。
能降低，不能消除。模型能力提升主要体现在推理和指令遵循上，幻觉率确实在下降，但概率生成的本质决定了它仍会编造。实践中更可靠的做法是"模型 + 流程"：用能力较强的模型，同时坚持限定来源、标注出处和人工复核这三件事。把希望全押在模型升级上，迟早会出问题。
看三个地方：一是具体数字和日期——编造的内容往往数字过于整齐或精确到不合理的程度；二是专有名词——编造的论文、法规、案例，其名称通常"很像真的"但查无此物；三是引用链接——AI生成的URL经常打不开。任何一条对不上，整段内容都要重新核实。
三件事。第一，明确分级：什么内容必须人工逐条核、什么可以抽检、什么可以直接用，写成一张表贴在团队文档里。第二，把"限定来源 + 标注出处"写进公司的提示词模板，作为默认要求而不是可选项。第三，对外发布的内容设置双人复核。机制比个人谨慎更可靠——人会疲劳，流程不会。