减少 AI 幻觉的提示词写法：允许说不知道、先引用原文再回答、逐条核对（官方做法整理）

适用于谁

• 搜「ai幻觉怎么解决」「减少ai幻觉」「ai 一本正经胡说八道」的人；
• 被 AI 编造的文献、数据、法条、链接坑过，想知道怎么问才更可靠的人。

本文根据 Anthropic、Google、OpenAI 的官方文档整理，资料核对于 2026-10-11。

结论先说

1. 幻觉指模型生成了事实错误、或与给定上下文不一致的内容。Anthropic 文档的说法是，即使最先进的语言模型有时也会这样。
2. 没有哪种方法能根除幻觉。Anthropic 在文档末尾明确写道：这些技巧能显著减少幻觉，但不能完全消除，关键信息一定要自己验证，尤其是高风险的决定。
3. 最有效的三件事：允许它说「不知道」；让它基于你提供的资料并引用原文；涉及新信息和计算时让它用工具（联网、代码执行）。
4. 重要结论要有可核对的出处，而你要真的去核对。

幻觉从哪里来

理解三个常见来源，就知道该用哪种对策：

步骤

1. 明确允许它说「不知道」

Anthropic 把这条列为第一项基础策略：明确给予模型承认不确定的许可，官方称这个简单的办法能大幅减少错误信息。

官方示例的写法是在任务最后加一句：如果你对某个方面不确定，或者报告缺少必要的信息，就说「我没有足够的信息来有把握地评估这一点」。

可以直接用的版本：

如果你不确定，或者现有信息不足以得出结论，请直接说「我不确定」并说明还缺什么信息。
不要为了给出完整答案而猜测；猜测的内容请明确标注为「推测」。

2. 先引用原文，再回答

Anthropic 的第二项策略，针对长文档任务（官方给的量级是超过 2 万 token）：先让模型逐字提取相关引文，再基于引文完成任务，把回答锚定在实际文本上。

1. 从文档中逐字摘录与问题最相关的原文，逐条编号。
   如果找不到相关原文，请写「未找到相关引文」。
2. 只根据这些摘录进行分析，引用时注明编号。

3. 逐条核对：找不到依据就撤回

第三项策略是让回答变得可审计：要求模型为每一个论断给出引文和来源。Anthropic 还给了一个更严格的版本：让模型在写完之后，为每个论断找一条支持它的引文；找不到的，就必须撤回这个论断。

写完初稿后，逐句检查：每个事实性陈述都要能在上面的资料里找到一条原文支持。
找不到支持的陈述请删除，并在文末列出「因缺少依据而删除的内容」。

最后那一句的作用是让你看到它删了什么，有时被删掉的恰恰是需要你另外查证的点。

4. 限定只用给定资料

Anthropic 的进阶技巧之一：明确指示模型只使用所提供文档里的信息，不使用它自己的通用知识。

Google 的文档给了一段为提升「基于给定上下文作答」而设计的系统指令，大意是：你是一个严格基于资料的助手，只能依据用户提供的上下文里直接提到的事实来回答；不要使用自己的知识或常识；不要从给定事实中做假设或推断；把提供的上下文当作事实的绝对边界。

这种写法适合客服、制度问答、合同审阅等「答错比不答更糟」的场景。日常问答不要用，它会让模型连常识都不敢用。

5. 新信息和计算，交给工具

Google 文档说得很直接：Gemini 可以借助工具来避免在某些场景下产生幻觉。

• 联网搜索：只要模型可能需要知道冷门或最新的事实，就应该开启搜索；
• 代码执行：只要模型需要做任何算术、计数或计算，就应该开启代码执行，让它写代码算出来，而不是「心算」。

其他产品同理：问新闻、价格、版本号、政策时打开联网；算数、统计、处理表格时用数据分析或代码功能。

OpenAI 文档从另一个角度讲了同一件事：在提示词里加入相关的上下文信息（即检索增强生成，RAG），可以让模型用上训练数据之外的资料，并把回答限定在你选定的资源范围内。

6. 多问几次，交叉比较

Anthropic 列出的另外几个进阶技巧：

• 多次生成对比（Best-of-N）：同一个问题跑几次，比较结果。几次回答不一致的地方，很可能就是幻觉所在；
• 迭代核查：把模型的回答作为下一轮的输入，要求它核实或展开其中的陈述，可以发现前后矛盾；
• 查看思考过程：开启思考后，在答案看起来不对时查看思考摘要，往往能看出错误的假设或逻辑。

对聊天用户来说，最容易操作的是第一条：重要的问题点一次「重新生成」，或者换一个模型再问一遍，重点看两次回答不一样的地方。

一个通用的防幻觉提示词

请基于下面的资料回答问题。

<资料>
［粘贴资料，或说明「见上传的文件」］
</资料>

问题：［你的问题］

要求：
1. 先逐字摘录与问题相关的原文并编号；找不到就写「资料中未找到」。
2. 回答中的每个事实都标注所依据的摘录编号。
3. 资料没有覆盖的部分，明确写「资料中未提及」，不要用常识或推测补全。
4. 需要计算时，写出计算过程。
5. 最后单独列出：哪些结论你把握不大，建议我另外核实。

哪些内容必须人工核对

无论用了多少技巧，下面这些内容都按「可能是错的」来对待：

• 文献、书名、作者、DOI、法条编号、判例；
• 具体数字、日期、价格、版本号、统计数据；
• 链接和联系方式；
• 人物的言论和经历；
• 医疗、法律、财务方面的具体结论。

核对方法很朴素：引文去原文里搜；文献去数据库里查；链接点开看；数字找原始出处。

常见问题

Q：把温度调到 0 能消除幻觉吗？

不能。温度影响的是输出的随机性，模型不知道的事，调低温度只会让它更稳定地给出同一个错误答案。另外 Google 文档对 Gemini 3 系列的建议是保持这些采样参数为默认值。

Q：联网之后就不会错了吗？

会少很多，但模型仍可能误读搜到的网页，或者引用了质量不高的来源。看它给出的来源链接，重要内容点进去确认。

Q：结构化输出能防幻觉吗？

它能防的是「格式上的幻觉」。OpenAI 文档的说法是，结构化输出让你不用担心模型漏掉必填字段，或者编造一个不在枚举范围内的值。字段里的内容是否属实，仍然要靠上面的方法。

Q：为什么它编的东西看起来那么像真的？

因为模型生成的是「看起来合理的文本」。格式越规范、语气越肯定，并不代表越可信。这也是为什么要靠出处而不是靠语气来判断。

Q：有没有幻觉更少的模型？

各家都在改进，但官方文档都没有承诺为零。选模型时更值得关注的是它能否联网、能否引用来源、能否运行代码。

参考资料

• Anthropic 文档：Reduce hallucinations — https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations
• Google 文档：Prompt design strategies（Grounding and code execution、Gemini 3 Flash strategies）— https://ai.google.dev/gemini-api/docs/prompting-strategies
• OpenAI 文档：Prompt engineering（Include relevant context information）— https://developers.openai.com/api/docs/guides/prompt-engineering
• OpenAI 文档：Structured model outputs — https://developers.openai.com/api/docs/guides/structured-outputs