Claude Platform Docs
最佳实践加强防护措施

减少幻觉

通过允许表达不确定性、以直接引用为依据生成回答,以及使用引文验证论断,最大限度地减少 Claude 输出中的幻觉。

即使是最先进的语言模型(例如 Claude),有时也可能生成与事实不符或与给定上下文不一致的文本。这种被称为"hallucination"(幻觉)的现象可能会削弱您的 AI 驱动解决方案的可靠性。 本指南探讨了最大限度减少幻觉并确保 Claude 输出准确可信的技术。

基本的幻觉最小化策略

  • 允许 Claude 说"我不知道": 明确允许 Claude 承认不确定性。这一技术可以大幅减少虚假信息。

  • 使用直接引用作为事实依据: 对于涉及长文档(>20k 令牌)的任务,请让 Claude 在执行任务之前先逐字提取引文。这会使其回答以实际文本为依据,从而减少幻觉。

  • 通过引用来源进行验证: 让 Claude 为其每个论断引用原文和来源,使其回答可供审核。您还可以让 Claude 在生成回答后,通过查找支持性引文来验证每个论断。如果找不到引文,它必须撤回该论断。


高级技巧

  • 思维链验证: 使用带有 display: "summarized" 的 thinking(思考),并在答案看起来有误时查看 thinking 块中的推理摘要。这可以揭示错误的逻辑或假设。

  • Best-of-N 验证: 使用相同的提示多次运行 Claude,并比较输出结果。输出之间的不一致可能表明存在幻觉。

  • 迭代改进: 将 Claude 的输出用作后续提示的输入,要求它验证或扩展之前的陈述。这可以发现并纠正不一致之处。

  • 限制外部知识: 明确指示 Claude 仅使用所提供文档中的信息,而不使用其通用知识。

此页面对您有帮助吗?