大模型与检索增强生成结合起来就能万无一失吗？现实可能给我们泼了盆冷水。
图片
理想很丰满，但实际情况是：系统可能会检索到2019年的过时新闻，并回答“现任总统仍是特朗普”；模型有时会把“可能致癌”的说法，过于肯定地陈述为“肯定致癌”；当它自信用户需要翻译时，却开始自顾自地撰写起小作文来……
这些所谓的“幻觉”，并非模型单方面的问题，而是检索器与生成器交叉感染后产生的“并发症”。
图片
六大常见幻觉速查表
图片
四段式“救火”流水线
有研究提出了一个零训练、开箱即用的统一框架，旨在将幻觉扼杀在“生成”环节的前后。
用户提问 → T1 查询改写 → 检索 → T2 证据精选 → T3 提示装配 → 生成 → T4 输出复审 → 最终答案与引用
实战锦囊：对症下药
医疗问答场景：最怕信息过时或无法证实。
应对方法：T1阶段为查询加上“2025年最新指南”，T2阶段用FDP模型为文献打上“保质期”分数。
财经摘要场景：最怕模型自信过度或推理存在漏洞。
应对方法：T3阶段用“可能/大致”等词削弱确定性，T4阶段采用思维链验证进行逐步验算。
智能客服场景：最怕指令理解出现偏差。
应对方法：T1阶段先做“意图澄清子查询”，T3阶段使用UPRISE进行动态提示模板匹配。
尚待破解的五大难题
单一来源验证：交叉对比多个知识库成本高昂。
外部库风险：实时网页中可能夹杂“私货”。
大模型当裁判：用幻觉去查幻觉，容易陷入循环论证。
上下文丢失：处理超过32K token后，一致性可能骤降。
思维链一步错步步错：中间步骤缺乏有效的“刹车片”。
核心要点
幻觉不是“模型癌症”，而是“系统性疾病”——检索与生成的全流程都需要治理。上述四段式流水线已足以将80%的幻觉压制到用户无感的程度，且无需改动模型权重、不增加GPU开销。
技巧在于先定位病根：用速查表快速诊断，再对症选用T1至T4的解决方案，方能事半功倍。
将“溯源”机制写入回答的DNA，让每一次输出都能有据可查——这或许是2026年RAG系统落地时，最具成本效益的安全锁。
Attribution Techniques for Mitigating Hallucinated Information in RAG Systems: A Survey