在RAG（检索增强生成）系统中，检索模块会从知识库中捞出与用户问题最相关的片段，然后将这些片段交给大模型来生成答案。这本是解决大模型“幻觉”和“信息滞后”的利器，但你可能不知道：检索到的片段中，常常混入一些与问题高度相似、却根本不包含答案（甚至包含误导信息）的“杂草”。这些看似无关的片段，会如何影响大模型的输出？今天，我们带你深入解读一篇来自学术界的实验报告《How Easily do Irrelevant Inputs Skew the Responses of Large Language Models?》，看看LLM在面对这些“答案无关片段”时，到底有多容易被带偏。

核心发现：先记住这四大结论

在展开细节之前，我们把最重要的结论先摆出来，方便你快速把握全文脉络：

• 结论一：语义越相关，误导性越强——与常见语义无关的片段相比，LLMs更容易受到高度语义相关的答案无关片段的影响，即那些看起来“很像答案”、实际却不含正确答案的段落。
• 结论二：越多越“晕”——随着答案无关片段数量的增加，LLMs的注意力被分散，识别正确信息的能力明显降低，更倾向于选择错误答案。
• 结论三：问题格式决定抵抗力——LLMs对无关片段的抵抗能力，因问题格式不同而差异巨大：自由式问答 > 是非性问答 > 多项选择式问答（抵抗力依次递减）。
• 结论四：常规“防干扰”手段几乎无效——在系统提示中增加“忽略无关片段”等指令，改善效果很弱；而使用COT（思维链）或ICL（上下文学习）反而导致模型过度思考、识别能力变差。