AI 幻觉通常指模型生成了看似合理、实际上缺乏依据或存在错误的内容。 它可能是一条不存在的引用、一个被改写的数字，也可能是把不同版本的信息混合成了确定答案。
认识这个问题，并不意味着所有回答都不可信。更实用的做法是区分内容类型：语言润色可以重点看表达，涉及事实、规则和重要决定的内容则要检查证据。本文提供的是日常信息核验方法，不代替专业领域的判断。
一、为什么说得流畅也可能出错
生成式模型根据输入和已学到的规律组织输出。语言连贯、解释完整，并不自动说明每个细节都有外部证据。问题含糊、上下文缺失、资料过时和检索失败，都可能影响结果。
给模型增加检索资料，可以帮助回答以资料为依据。Google Cloud 的 RAG 文档介绍了把外部信息检索后提供给模型的做法。但接入资料不等于消除了所有错误：资料本身、检索过程和生成过程仍然需要检查。
二、日常最常见的四种错误
- 编造来源：论文标题、网页地址或文档章节听起来真实，打开却不存在。
- 条件丢失：原文只适用于某版本、某地区或某类用户，回答中却变成普遍结论。
- 数字混淆：把百分比、数量、单位或统计对象混在一起。
- 时间错位：把历史价格、旧规则或过去的产品功能当成当前信息。
有时回答不是完全错误，而是结论说得过满。例如资料只证明“在某组测试中表现更好”，却被总结成“所有任务都更好”。核验时要特别留意这类范围扩大。
三、五步核验一个重要答案
第一步：拆成可以检查的主张
把“这款工具功能最全而且完全免费”拆成两个问题：它实际有哪些功能？免费范围和限制是什么？不要把一段评价当成一个整体去验证。
第二步：寻找原始来源
产品功能优先查官方文档；研究结论优先查原论文；数据优先查发布机构。二次解读可以帮助理解，但不能替代关键事实的来源。
第三步：打开来源，而不是只看链接
检查页面是否存在、标题和作者是否对应、正文是否真的支持相关结论。引用了真实网站，也可能引用错了页面或曲解内容。
第四步：核对适用条件
记录发布日期、版本、地区、样本和定义。比较不同资料时先统一口径，避免把相似术语误认为同一指标。
第五步：写出确定程度
- 有明确证据的，记录结论和来源。
- 资料之间存在冲突的，说明冲突在哪里。
- 找不到依据的，保留待核实，不把猜测包装成事实。
“目前无法确认”是有用的结论。 为了让答案显得完整而补齐缺失信息，往往会增加错误。
四、一个虚构示例：核查“某工具无限免费”
假设 AI 告诉你：“示例工具 A 可以无限次处理任何长度的视频，而且支持全部商用场景。”这句话包含额度、长度限制和使用范围三类不同主张。
你应该分别查看套餐说明、输入限制和使用条款。即使确认工具有免费方案，也不能推导出所有功能无限使用；即使支持商用，也不能自动替你取得上传素材的权利。这里的工具 A 仅用于演示核验步骤。
五、让 AI 帮你整理证据，而不是替你决定真假
请检查下面答案中需要外部证据支持的主张。
按“原主张、需要核实的事项、优先查找的来源、当前是否有依据”整理。
如果没有实际访问来源，请明确写未核验。
不要编造链接，也不要仅凭语气判断结论是否正确。如果工具具备联网能力，可以进一步要求列出实际打开的页面，以及支持结论的具体位置。仍需人工检查重要事项，尤其是会影响工作发布或实际操作的内容。
六、如何降低日常使用中的风险
- 提供清晰问题和已有资料，减少模型猜测背景的空间。
- 允许回答“不知道”，并要求区分事实与推断。
- 对资料整理任务要求保留章节、页码或材料编号。
- 对价格、规则、职位等易变化的信息，在使用前重新查看来源。
- 对重要内容保留核验记录，方便以后检查是否已经过时。
常见问题
让两个 AI 给出相同答案就算交叉验证吗
不算充分证据。不同模型可能共享相似资料或重复同一错误。应比较独立的原始来源，而不只是比较回答是否一致。
要求附来源，就能杜绝编造吗
不能。来源可能不存在，也可能与主张不匹配。需要实际打开并检查内容。
把语气改成谨慎，是否代表更可靠
谨慎语气有助于表达不确定性，但可靠性仍取决于证据和推理是否匹配。
还没有公开评论，欢迎分享你的想法。