AI 幻觉是什么？如何用来源、空值和复核降低错误

直接答案：AI 幻觉通常指模型生成看似连贯但错误、无依据或前后矛盾的内容；NIST 更精确地使用 confabulation。它不能只靠提示词消除。高风险任务应限定来源、要求证据位置、允许返回空值或拒答，并用固定样本检查事实支持率、引用可达性和冲突。

本文面向需要做技术选型或落地验收的中文读者。所有会随版本变化的接口、价格、硬件支持和功能可用性，都应在实施当天回到官方页面复核；本文复核日期为 2026-09-11。

先判断：这个任务真正要解决什么

解释生成式 AI 为什么会自信地产生错误内容，并给出可执行的核验和拒答流程。开始前把业务目标写成可验证条件，避免把“能运行”“返回了结果”误当成质量达标。

核心原理与适用边界

• 语言流畅度不是事实可靠性。
• 检索增强减少部分风险但不会自动消除错误。
• 自动评分应与人工核验和风险分级结合。

这些原则只说明技术机制，不代表任何特定产品在你的数据、硬件或组织流程中必然更快、更准或更省。若官方材料没有披露某项实现，应明确标为未知，而不是根据营销名称推断。

从基线到上线的执行步骤

1. 第 1 步：限定任务和允许来源
2. 第 2 步：要求逐项给出证据位置
3. 第 3 步：缺证据返回未知而不是补全
4. 第 4 步：运行固定真值与无答案样本
5. 第 5 步：核对链接、数字和冲突
6. 第 6 步：高风险结论由责任人签字

每一步都要保存输入版本、配置、输出和验收结论。遇到失败先缩小范围并保留原始证据，不要为了让演示通过而修改测试口径。

建议保存的验收记录

常见风险与失败模式

• 伪造引用也呈现得很可信
• 来源本身过期或不适用
• 检索片段脱离上下文
• 模型在无答案时强行回答

风险较高的业务应增加人工复核和独立安全测试。本文不把公开资料整理写成编辑部实测，也不提供无法复现的速度、准确率或收益数字。

常见问题

只要官方示例能运行就可以上线吗？

不可以。官方示例用于说明能力或接口，仍需用你的数据、权限、负载和失败场景验证，并保存可以回放的结果。

为什么必须保留基线？

没有相同输入和相同指标的基线，就无法判断新方案是否真正改善，也无法在故障时确认回滚是否恢复。

版本变化后需要全部重做吗？

至少应重跑与变化范围相关的确定性检查、核心质量集、安全边界和恢复演练；重大模型、框架或数据变更应做完整回归。

下一步与一手来源

可继续阅读：Python 可复现基线、RAG 检索基线、模型评测与回滚。这些内链分别帮助补齐模型路由、对话系统和 Agent 治理边界，不替代本文缺失内容。

一手与原始资料：NIST GenAI Profile、NIST AI RMF、NIST evaluation probes、NIST GenAI evaluation、NIST AIRC。访问与事实复核日期：2026-09-11。