幻觉大概是 AI 落地被问最多的问题：「你们怎么解决幻觉？」——问法暴露了误区：幻觉不是「能修好的 bug」，是概率性模型的固有属性。你没法消灭它，只能治理它：让它发生的概率更低、发生了能被发现、被发现了损失可控。这就是本篇的三层模型：防、拦、兜。
先认清幻觉的三个来源（对症才能下药）
- 没检索到：库里没答案，模型「硬答」——最常见的来源。治理核心是让它承认不知道。
- 检索到但拼错：多份材料冲突、引用了错的版本——治理核心是引用可验证。
- 过度生成：模型「自由发挥」补细节——治理核心是约束输出。
第一层：防（输入与上下文，把幻觉扼杀在源头）
- 检索质量是第一道闸：召回不到，生成必然靠编——混合检索、重排、切分质量，先照RAG 生产落地把检索链路做扎实。
- 上下文只给可信内容：检索结果标注来源可信度；低可信内容（网页抓取）要么不引用，要么提示模型「仅作参考，不作为事实依据」。
- 让模型有「退路」：系统提示明确「知识库里没有的就明说没有」，给「不知道」一个正当出口——模型不拒绝，往往是因为你没给它拒绝的许可。
- 任务边界前置：超出能力声明范围的问题，在入口就转人工或走规则（任务分流），根本不让模型接。
第二层：拦（生成与校验，让幻觉在出口被拦住)
- 强制带引用：检索型回答必须输出引用编号，且「无引用不出答案」——这条规则能把「编造」从根上掐断（没有引用可引，它就只能拒绝）。
- 结构化输出 + 校验器：让模型输出 JSON（含置信度、引用、结论），用代码校验器检查：引用的文档存在吗？结论和引用内容一致吗？校验不过就重试或拒绝——用代码拦模型的错，别再用模型拦模型的错。
- 置信度与一致性提示：让模型自我评估「材料是否充分」（有帮助但别全信，最终以校验器为准）。
第三层：兜（输出之后，让幻觉的损失可控)
- 幻觉是概率事件，接受残差：三层做完，仍有小概率漏网——所以要有「被发现」的机制：
- 可回放：每个回答留全链路日志（检索了什么、引用了什么、模型怎么答的），出问题能复盘是哪一层漏的（链路追踪）。
三层合起来，怎么回答老板的「怎么解决幻觉」
一句话版本：我们不能保证不犯错，但能保证「错了可发现、可定位、可纠正」——检索有引用、输出有校验、线上有抽检、案例回流评测。这是概率系统能给的最高承诺，也应该是你能力声明表里写的那句。
落地清单
- 检索链路打底（混合检索/重排/切分质量）
- 系统提示给「拒绝许可」，检索内容标可信度
- 强制引用 + 无引用不出答案
- 结构化输出 + 代码校验器（文档存在/结论一致）
- 高风险回答带人工确认标记，案例回流评测集