考察点
「怎么规避大模型的幻觉」是 2026 面经 RAG 部分出现率最高的题之一。面试官想看你有没有把幻觉拆解开的能力——笼统说「提高检索质量」等于没答。能按错误来源分层给防线，说明你真处理过线上事故。追问常走「引用怎么做」「拒答怎么把握度」。
参考答案
先把幻觉拆成三类
RAG 场景的事实性错误有三个完全不同的来源，对策也不同：
- 无知幻觉：知识库里根本没有答案，模型凭参数知识硬答。
- 检索误导：检索到了内容，但检索结果是错的/过时的/不相关的，模型照着错材料答。
- 生成偏离：检索结果是对的，模型却没用，自由发挥或者错误综合了多个片段。
防线一：无知就拒答
针对无知幻觉，核心是敢不答。两道闸门：
- 检索阈值闸：Rerank 最高分低于阈值（按自己数据分布定，比如 0.3 以下），判定知识库无相关内容，走兜底话术「这个问题超出我的知识范围，已为您转接人工」。宁可拒答率略高，不可硬答。
- 生成侧诚实性 Prompt：明确指令「仅根据提供的资料回答，资料未涵盖时明确说明不知道」。这个指令要写进 system prompt 且给出拒答示例，否则模型默认「有问必答」。
拒答率的度靠业务定：客服场景错答的代价远大于拒答（错答政策是客诉事故），阈值从严；内部助手可以放宽。
防线二：引用强制
针对生成偏离，最有效的结构是强制引用：要求模型答案中每个事实性论断标注来源编号（[1][2]），生成的引用必须是实际检索到的片段 ID。这带来两个好处：模型被「逼着」对着材料写，自由发挥空间被压缩；用户可以点击溯源，错了一眼能看出来。工程上再配合后验校验——答案里出现的关键实体（数字、日期、型号）必须在引用片段中出现过，没出现就标记为高风险，进人工队列或重新生成。
防线三：源头治理
针对检索误导，防线在检索侧不在生成侧：
- 知识库入库时做时效标注，政策类文档带生效/失效日期，检索过滤掉已失效版本——客服答出过期政策是最典型的 RAG 事故。
- 冲突检测：同一主题的多个文档说法不一致时，检索阶段就标记冲突，生成时呈现「不同来源说法不一致」而不是让模型瞎选一个。
- 多路召回 + Rerank 把噪声片段挡在 Top-K 外，这个前面专题讲过，不再展开。
闭环：幻觉率是可运营的指标
三层防线上线后，用忠实度评测（RAGAS 或自建 LLM 裁判逐条核对论断-出处）持续监控，配合人工抽检定级：P0 事故（答错政策、承诺不存在的权益）逐条归因，P1（细节偏差）周度聚类。我项目里上线引用强制 + 阈值拒答后，人工抽检的严重幻觉率从约 3% 压到 0.5% 以内，代价是拒答率升到 8%——业务上认为这是划算的交易。
最后一句实话：幻觉只能控制不能消灭。任何宣称 100% 解决的方案都不可信，工程目标是「幻觉率可度量、严重幻觉有兜底、出了错可追溯」。
可能的追问
Q：模型不按要求标引用怎么办？ 两步：Prompt 里给 few-shot 示例明确引用格式；输出侧做解析校验，无引用或引用编号超出检索结果范围的答案直接拦截重试或降级。别指望一次生成都合规，校验是必需的。
Q：检索到多个冲突版本的政策怎么处理？ 按文档元数据的优先级裁决（生效时间最新 > 来源权威性更高），并在答案中保留版本信息（「根据 2026 年 3 月版政策」）。冲突高频出现说明知识库治理有问题，要推内容侧解决。
Q：温度调低能不能减少幻觉？ 边际作用。温度压的是采样随机性，RAG 幻觉的主因是无知硬答和材料错误，跟采样温度关系不大。temperature 设 0-0.3 是该做的，但别指望它解决幻觉。