Claude Platform Docs
最佳實務強化防護機制

減少幻覺

透過允許不確定性、以直接引述作為回應依據,以及使用引用來驗證主張,將 Claude 輸出中的幻覺降至最低。

即使是最先進的語言模型,例如 Claude,有時也可能生成與事實不符或與給定上下文不一致的文本。這種現象稱為「hallucination」(幻覺),可能會削弱您的 AI 驅動解決方案的可靠性。 本指南將探討各種技巧,以將幻覺降至最低,並確保 Claude 的輸出準確且值得信賴。

基本的幻覺最小化策略

  • 允許 Claude 說「我不知道」: 明確給予 Claude 承認不確定性的許可。這個簡單的技巧可以大幅減少錯誤資訊。

  • 使用直接引述作為事實依據: 對於涉及長篇文件(>20k tokens)的任務,請先要求 Claude 逐字擷取引述,然後再執行其任務。這能讓其回應以實際文本為依據,從而減少幻覺。

  • 使用引用進行驗證:讓 Claude 為其每一項主張引用引述與來源,使其回應可供稽核。您也可以讓 Claude 在生成回應後,透過尋找支持性引述來驗證每一項主張。如果找不到引述,它就必須撤回該主張。


進階技巧

  • 思維鏈驗證(Chain-of-thought verification):要求 Claude 在給出最終答案之前逐步解釋其推理過程。這可以揭露有缺陷的邏輯或假設。

  • N 選最佳驗證(Best-of-N verification):使用相同的提示多次執行 Claude,並比較各次輸出。輸出之間的不一致可能表示存在幻覺。

  • 迭代式精煉(Iterative refinement):將 Claude 的輸出作為後續提示的輸入,要求它驗證或擴充先前的陳述。這可以發現並修正不一致之處。

  • 外部知識限制(External knowledge restriction):明確指示 Claude 僅使用所提供文件中的資訊,而不使用其一般知識。

Was this page helpful?