RAG抑制大模型幻觉三层工程化方案

单纯优化提示词只能短期缓解幻觉，想要根治需搭建检索-生成-校验三层分层防线，针对事实性、忠实性两类幻觉分别治理，全链路落地管控。

一、两类幻觉区分与治理核心思路

1. 事实性幻觉
模型输出和客观真实信息不符，根源是知识库缺少对应正确资料。
治理核心：优化检索链路，补齐有效参考素材，从源头提供完整事实依据。
2. 忠实性幻觉
回答脱离给定检索文档，凭空编造内容，是RAG最常见问题。
治理核心：生成阶段强约束输出规则，事后自动比对原文校验，杜绝无中生有。

二、第一层：检索层（源头防控，解决信息缺失幻觉）

检索质量决定幻觉基础概率，素材缺失会迫使模型编造内容。

1. 混合检索架构：向量检索+关键词检索+结构化字段过滤并行，兼顾语义匹配与专有名词精准召回；
2. 切片语义优化：按完整段落、章节拆分文本，避免碎片化信息造成片面解读；
3. 过滤低质量片段：过滤重复、残缺、无关文档，只推送高相关素材给大模型；
4. 多路索引兜底：长文档、表格、扫描件单独解析，保障关键业务信息完整召回。

三、第二层：生成层（过程约束，减少主动编造）

摒弃简单一句“依据材料回答”，精细化Prompt限制模型创作行为：

1. 强制标注来源：输出答案必须附带文档页码、段落引用，所有结论绑定原文片段；
2. 未知内容拒答机制：明确指令，知识库无对应信息直接回复“暂无相关资料”，禁止自行补充信息；
3. 调参收紧随机性：降低temperature生成温度，减少模型自由发挥空间；
4. 结构化输出约束：固定JSON格式，强制区分原文摘抄、总结内容，隔离模型自主创作部分。

四、第三层：校验层（最终把关，拦截违规编造内容）

生成完成后做多层自动化核验，拦截两类幻觉输出：

1. 原文比对校验：逐段核对回答内容是否能在检索素材中找到对应原文支撑；
2. 事实一致性检测：针对数值、条款、名称等关键信息单独校验，杜绝数字、条款篡改；
3. 幻觉重生成机制：校验不通过则携带错误信息重新调用模型，基于原文修正回答；
4. 异常日志归档：记录幻觉案例，反向优化切片、检索规则与提示词，持续迭代系统。

落地核心逻辑

三层防线层层递进：检索保证素材真实充足，生成约束模型不乱编造，校验兜底拦截漏网幻觉；仅靠提示词只完成第二层约束，缺少前后两层管控，无法从根源解决幻觉问题。

RAG幻觉治理 检索增强生成 大模型幻觉 企业级RAG 混合检索 Prompt工程 AI内容校验 知识库优化 LLM落地优化 智能体可靠性 检索增强模型 梦境分级 幻觉管理 低熵幻觉 过度幻象症 无限制词模型 幻觉抑制