减少幻觉

即使是最先进的语言模型（如 Claude），有时也会生成与事实不符或与给定上下文不一致的文本。这种现象被称为"hallucination"（幻觉），可能会削弱您的 AI 驱动解决方案的可靠性。 本指南将探讨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。这个简单的技术可以大幅减少虚假信息。

• 使用直接引用来建立事实基础： 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。这将其回答建立在实际文本的基础上，从而减少幻觉。

• 使用引文进行验证：让 Claude 为其每个论断引用引文和来源，使其回答可审计。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，则必须撤回该论断。



高级技术

• 思维链验证：让 Claude 在给出最终答案之前逐步解释其推理过程。这可以揭示有缺陷的逻辑或假设。

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

• 迭代优化：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。

• 外部知识限制：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。