老板当时就破防了："什么？臆构数据？那开发人员用了虚假信息怎么办？这样大家还会信任这个系统吗？"
文章发出去后，好多朋友在后台留言说对这个“AI幻觉”的问题深有同感，想知道我是怎么具体解决的。
正好今天是周末，闲着也是闲着，就写篇文章算是回答朋友问题，也算是给自己一个复盘记录吧。好好捋一捋，我将把我“调教”Prompt的三轮完整迭代过程和思考全部分享出来。这事儿可不是小问题，当时它几乎关乎项目的生死存亡，当然生死其实是老板的一句话，我们要做的就是想办法去消除老板的顾虑：如果AI的回答连我们自己都不敢信，那这个项目就没有存在的价值。
第一轮：偷懒了，被平台默认Prompt“喂”了一嘴假话
最开始的时候偷懒了,Ragflow 对这块有默认推荐的系统提示词，想着既然是平台推荐的，那就先用着看看效果：
最开始跑起来，简单的进行了几轮对话试验，觉得像模像样，回答得还不错。可是用着用着，就发现不对劲了，它总会回答一些知识库里根本没有的东西！
这让我立刻警惕起来。我不想搞一个什么都懂的通用聊天机器人，我需要的是一个专有知识领域的顾问。它的定位必须清晰化，不能跑偏。于是，我开始动手修改提示词。
第二轮：给 Prompt 设定角色
这个时候，我就必须给AI设定角色，让它戴上“紧箍咒”，明确角色和行为边界。于是，我写了第二版非常严格的Prompt，堪称“严苛”：
# 角色与目标
你是一个为 XXX 开发者服务的专业知识库助手。你的核心任务是基于下面提供的【知识库内容】，准确、客观地回答用户的问题。开发者用户高度依赖你提供信息的精确性和可溯源性，因此你的回答必须绝对忠实于提供的资料。
# 回答准则 (必须严格遵守)
1. **唯一信息来源：** 你的回答**必须**且**只能**基于【知识库内容】。严禁使用任何你预先知道的XXX知识、外部信息或进行任何形式的互联网搜索。
2. **直接性与相关性：** 仔细分析问题，并直接从【知识库内容】中查找最相关的段落或信息点来构建答案。优先直接引用或转述原文的关键信息。
3. **处理无关情况：** 如果经过仔细分析，【知识库内容】**完全不包含**与用户问题相关的任何信息，你**必须**且**只能**回答：“知识库中未找到您要的答案！”。不得给出任何其他解释或尝试回答。
4. **考虑聊天历史：** 在理解用户当前问题时，需结合之前的对话上下文。但回答依据仍**严格限制**在当前提供的【知识库内容】。
5. **保持专注：** 拒绝回答任何与 XXX 技术、提供的知识库内容或你设定的助手角色无关的问题。
# 知识库内容
--- 开始 ---
{knowledge}
--- 结束 ---
请严格遵循以上所有准则，根据【知识库内容】回答用户问题。这下，AI的回答确实严格遵循了它的角色设定，老实多了。我心想，这下总算稳了。
但万万没想到，更要命、更不易察觉的问题来了。
我仔细比对它回答的结果和标准数据源信息，发现它总会胡编乱造知识库里没有的数据，还不是那种一眼就能看穿的完全瞎编，而是七分真话、三分假话。这就很恼火了！
后来我排查出了原因：主要是RAGFlow在知识库中检索后，只找到了部分相关的信息片段。但要把这些碎片组织成一个通顺的回答，信息是不够的。这时候，大模型接收到这些知识片段后，为了保证回复的“逻辑自洽”，就会自己“臆构”一部分数据，把缺失的环节补上。
这种情况对使用者来说是致命的！使用者通常是在不了解某个概念或方法的情况下，才会去问问答机器人，这时候他们看到AI的回答，在不是很熟悉的情况下，很可能以为AI说的都是真的。一旦他们全盘接受了这些虚假知识，并在实践中去用，出了问题，反过来就会质疑整个系统的准确性。信任的基石一旦被侵蚀，大家宁可去看原始文档，也不会再用这个机器人了。那我们费这么大劲搞这个项目，也就失去了意义。
第三轮：有问题就有答案
找到问题出在哪之后，我想到了两个解决办法：
1. 使用Agent模式：再加一个AI当“审核员”。让它把第一个AI生成的内容，再丢回RAG里检索一遍，看向量匹配度高不高，以此来验证信息的真实性。这方法技术上可行，也验证通过了，能很好的解决臆构问题，但调用链太长，直接导致响应时间变慢。考虑到并发时的用户体验，这个方案在上线前被我PASS了。 2. 巧用Prompt：不断地根据反馈来调整提示词，把各种可能导致“自由发挥”的情况都堵死。同时，在硬件允许的范围内，寻找一个更能遵循指令的大模型。
最终，从实际效果和多人并发时的响应时间控制，我选择了第二条路。
我的目标变得异常清晰：我得允许，甚至鼓励AI在信息不足时，坦诚地承认自己“无知”，而不是打肿脸充胖子。
于是，第三版，也是最终版的Prompt诞生了。核心就是在第二版的基础上，加入了这条堪称“反AI本能”的铁律：
# 角色与目标
你是一个为 XXX 开发者服务的专业知识库助手...
# 回答准则 (必须严格遵守)
...
3. **禁止臆测与扩展：**
* 如果【知识库内容】不包含足够信息来完整回答问题，**仅**根据已有的信息回答，并可以指出信息可能不完整（例如：“根据提供的资料，关于XX方面的信息如下，但未提及您问的YY细节”）。
* **绝对不允许**对信息进行任何形式的延伸、推理、猜测、补全或创造不存在的逻辑关系。**找到什么，就回答什么。**
* 如果多个检索到的段落直接回答了问题的不同方面，你可以将这些信息组合起来回答，但必须清晰说明信息来源，且禁止添加任何原文未明确提及的内容或逻辑。
* 如果发现知识库信息自相矛盾，请指出矛盾点，不要自行选择或调和。
...看到加粗的那句了吗？“找到什么，就回答什么。” 这句话彻底改变了AI的行为模式。我们等于正式授权它可以给出“不完美”但绝对诚实的答案。
这次，AI终于学会了“老实做人”。当知识库信息不全时，它会老老实实地告诉你：“根据资料，我只找到了这些，你要问的另外一部分，资料里没提。”
一个回答虽然可能不“完整”，但它100%忠于原文，100%值得信赖。至此，那个差点让我们项目翻车的“吹牛大王”，总算被成功驯服了。
一点经验总结和建议
这次和AI幻觉斗智斗勇的经历，让我的感受和上次搞定整个知识库项目时非常相似：
1. 别指望AI有“自觉”，一定要写清晰的Prompt让它去严格遵守：不要把AI当成一个能心领神会的“同事”。你必须像制定法律条文一样，用极其明确、甚至有点啰嗦的规则去堵住所有它可能“犯错”的漏洞。 2. 拥抱“不完美”，是追求“真实”的第一步：我们总希望AI无所不知、对答如流。但对于企业级应用，尤其是在技术和生产领域，一个真实的“我不知道”，远比给出一个看似完美的虚假答案更有价值。 3. Prompt调优的本质，就是跟大模型的“本能”对着干：大模型的出厂设置，就是为了生成更流畅、更连贯、更像“人话”的文本。而我们的工作，就是通过Prompt这根缰绳，引导它走向我们需要的、符合业务逻辑的、哪怕有点“笨拙”的方向。
技术这东西，往往就是这样，刚刚从一个坑里爬出来，前面又是一个坑。但是每次填坑的过程，都是对技术和业务理解的一次深化。
