大模型幻觉是什么？有哪些缓解办法？

先这样答

先讲清楚幻觉是什么：模型输出了看似合理、与事实不符或无任何依据的内容，而且语气流畅、充满自信。原因是语言模型的本质是按上下文预测下一个 token，它在「编一个统计上像真的句子」，不是在「核实一个事实」。训练数据里的错误、知识截止之后的世界、推理时概率路径的随机波动，都会让它一本正经地错。

缓解要分层做，没有单点银弹。

第一层：给它事实来源。知识类问题强制走 RAG：先检索再回答，提示词里写明「仅依据资料回答，资料中没有就说没有」。这一层解决「不知道还硬编」的大头。

第二层：约束生成。降低温度减少自由发挥；要求输出带引用（每个断言标注出处段落，方便核查也倒逼模型贴着资料写）；对事实密集的任务用结构化输出；允许模型回答「不确定」，很多幻觉是被「必须给出答案」的提示词逼出来的。

第三层：输出校验。自动侧：事实断言抽取出来逐条对照资料核验（NLI 或让裁判模型逐条判）；规则侧：数字、日期、金额这类高危字段和原始数据比对；人工侧：高风险场景（医疗、法务、对外发布）强制人工审核关键输出。

面试收尾要讲清预期管理：幻觉是概率生成模型的固有属性，工程的目标是「压到业务可接受的程度」并「让错误可发现、可追溯」，宣称彻底消灭幻觉的方案要么在做检索增强（第一层），要么在说大话。

面试官会怎么追问

• RAG 能完全消除幻觉吗？ 不能。检索错了会错，资料没覆盖时模型仍可能补全，拼提示词时模型也可能忽略资料自由发挥，所以后两层的校验不可省。
• 怎么系统性检测线上幻觉？ 抽样人工审核 + 自动断言核验跑在关键场景；用户侧给「反馈不准确」入口；按场景统计幻觉率作为质量指标看趋势。
• 模型越新幻觉越少吗？ 总体趋势是事实性更好，但「不知道就说不知道」的对齐程度各家不一，新模型也要在业务评测集上实测幻觉率，不能听宣传。

回答的坑

• 把幻觉只当「模型不够好」。分层缓解加预期管理的视角，才是工程答案。
• 只答「上 RAG」。检索增强解决的是知识来源，约束生成和输出校验是另外两层，缺了哪层都拦不住。