減少 AI 幻覺的提示詞寫法：允許說不知道、先引用原文再回答、逐條核對（官方做法整理）

適用於誰

• 搜「ai幻覺怎麼解決」「減少ai幻覺」「ai 一本正經胡說八道」的人；
• 被 AI 編造的文獻、數據、法條、連結坑過，想知道怎麼問才更可靠的人。

本文根據 Anthropic、Google、OpenAI 的官方文檔整理，資料核對於 2026-10-11。

結論先說

1. 幻覺指模型生成了事實錯誤、或與給定上下文不一致的內容。Anthropic 文檔的說法是，即使最先進的語言模型有時也會這樣。
2. 沒有哪種方法能根除幻覺。Anthropic 在文檔末尾明確寫道：這些技巧能顯著減少幻覺，但不能完全消除，關鍵資訊一定要自己驗證，尤其是高風險的決定。
3. 最有效的三件事：允許它說「不知道」；讓它基於你提供的資料並引用原文；涉及新資訊和計算時讓它用工具（聯網、代碼執行）。
4. 重要結論要有可核對的出處，而你要真的去核對。

幻覺從哪裏來

理解三個常見來源，就知道該用哪種對策：

步驟

1. 明確允許它說「不知道」

Anthropic 把這條列為第一項基礎策略：明確給予模型承認不確定的許可，官方稱這個簡單的辦法能大幅減少錯誤訊息。

官方示例的寫法是在任務最後加一句：如果你對某個方面不確定，或者報告缺少必要的資訊，就說「我沒有足夠的資訊來有把握地評估這一點」。

可以直接用的版本：

如果你不確定，或者現有資訊不足以得出結論，請直接說「我不確定」並說明還缺什麼資訊。
不要為了給出完整答案而猜測；猜測的內容請明確標註為「推測」。

2. 先引用原文，再回答

Anthropic 的第二項策略，針對長文檔任務（官方給的量級是超過 2 萬 token）：先讓模型逐字提取相關引文，再基於引文完成任務，把回答錨定在實際文本上。

1. 從文檔中逐字摘錄與問題最相關的原文，逐條編號。
   如果找不到相關原文，請寫「未找到相關引文」。
2. 只根據這些摘錄進行分析，引用時註明編號。

3. 逐條核對：找不到依據就撤回

第三項策略是讓回答變得可審計：要求模型為每一個論斷給出引文和來源。Anthropic 還給了一個更嚴格的版本：讓模型在寫完之後，為每個論斷找一條支持它的引文；找不到的，就必須撤回這個論斷。

寫完初稿後，逐句檢查：每個事實性陳述都要能在上面的資料裏找到一條原文支持。
找不到支持的陳述請刪除，並在文末列出「因缺少依據而刪除的內容」。

最後那一句的作用是讓你看到它刪了什麼，有時被刪掉的恰恰是需要你另外查證的點。

4. 限定只用給定資料

Anthropic 的進階技巧之一：明確指示模型只使用所提供文檔裏的資訊，不使用它自己的通用知識。

Google 的文檔給了一段為提升「基於給定上下文作答」而設計的系統指令，大意是：你是一個嚴格基於資料的助手，只能依據用戶提供的上下文裏直接提到的事實來回答；不要使用自己的知識或常識；不要從給定事實中做假設或推斷；把提供的上下文當作事實的絕對邊界。

這種寫法適合客服、制度問答、合同審閱等「答錯比不答更糟」的場景。日常問答不要用，它會讓模型連常識都不敢用。

5. 新資訊和計算，交給工具

Google 文檔說得很直接：Gemini 可以藉助工具來避免在某些場景下產生幻覺。

• 聯網搜尋：只要模型可能需要知道冷門或最新的事實，就應該開啟搜尋；
• 代碼執行：只要模型需要做任何算術、計數或計算，就應該開啟代碼執行，讓它寫代碼算出來，而不是「心算」。

其他產品同理：問新聞、價格、版本號、政策時打開聯網；算數、統計、處理表格時用數據分析或代碼功能。

OpenAI 文檔從另一個角度講了同一件事：在提示詞裏加入相關的上下文資訊（即檢索增強生成，RAG），可以讓模型用上訓練數據之外的資料，並把回答限定在你選定的資源範圍內。

6. 多問幾次，交叉比較

Anthropic 列出的另外幾個進階技巧：

• 多次生成對比（Best-of-N）：同一個問題跑幾次，比較結果。幾次回答不一致的地方，很可能就是幻覺所在；
• 迭代核查：把模型的回答作為下一輪的輸入，要求它核實或展開其中的陳述，可以發現前後矛盾；
• 查看思考過程：開啟思考後，在答案看起來不對時查看思考摘要，往往能看出錯誤的假設或邏輯。

對聊天用戶來說，最容易操作的是第一條：重要的問題點一次「重新生成」，或者換一個模型再問一遍，重點看兩次回答不一樣的地方。

一個通用的防幻覺提示詞

請基於下面的資料回答問題。

<資料>
［粘貼資料，或說明「見上載的文件」］
</資料>

問題：［你的問題］

要求：
1. 先逐字摘錄與問題相關的原文並編號；找不到就寫「資料中未找到」。
2. 回答中的每個事實都標註所依據的摘錄編號。
3. 資料沒有覆蓋的部分，明確寫「資料中未提及」，不要用常識或推測補全。
4. 需要計算時，寫出計算過程。
5. 最後單獨列出：哪些結論你把握不大，建議我另外核實。

哪些內容必須人工核對

無論用了多少技巧，下面這些內容都按「可能是錯的」來對待：

• 文獻、書名、作者、DOI、法條編號、判例；
• 具體數字、日期、價格、版本號、統計數據；
• 連結和聯絡方式；
• 人物的言論和經歷；
• 醫療、法律、財務方面的具體結論。

核對方法很樸素：引文去原文裏搜；文獻去數據庫裏查；連結點開看；數字找原始出處。

常見問題

Q：把溫度調到 0 能消除幻覺嗎？

不能。溫度影響的是輸出的隨機性，模型不知道的事，調低溫度只會讓它更穩定地給出同一個錯誤答案。另外 Google 文檔對 Gemini 3 系列的建議是保持這些採樣參數為預設值。

Q：聯網之後就不會錯了嗎？

會少很多，但模型仍可能誤讀搜到的網頁，或者引用了質素不高的來源。看它給出的來源連結，重要內容點進去確認。

Q：結構化輸出能防幻覺嗎？

它能防的是「格式上的幻覺」。OpenAI 文檔的說法是，結構化輸出讓你不用擔心模型漏掉必填字段，或者編造一個不在枚舉範圍內的值。字段裏的內容是否屬實，仍然要靠上面的方法。

Q：為什麼它編的東西看起來那麼像真的？

因為模型生成的是「看起來合理的文本」。格式越規範、語氣越肯定，並不代表越可信。這也是為什麼要靠出處而不是靠語氣來判斷。

Q：有沒有幻覺更少的模型？

各家都在改進，但官方文檔都沒有承諾為零。選模型時更值得關注的是它能否聯網、能否引用來源、能否運行代碼。

參考資料

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