大家下午安!歡迎回來。我是你們的導師。
在使用 AI 的過程中,幾乎所有新手都遇到過一種令人啼笑皆非、又有點毛骨悚然的現象: 你問大副一個問題,大副以極度自信、理直氣壯的語氣,為你詳細解答。但等你仔細一查,才發現它提到的網址是假的、程式碼裡的函式庫是憑空發明的,甚至連引用的人物論文都完全不存在!
在 AI 業界,這種現象被稱為 Hallucination(幻覺)。
許多新手會氣憤地問:「老師,AI 不是超級電腦嗎?為什麼它會這麼滿口胡言?是不是它在故意騙我?」
今天,我們就用最簡單的底層原理,帶大家拆解 AI 幻覺的成因,並傳授三招立竿見影的白話防幻覺絕招!
要防止幻覺,我們必須先明白:AI 大腦不是搜尋引擎,它是一個『超強的文字接龍生成器』!
我們在 Lecture 03 學過,大語言模型的底層本質是基於機率計算下一個 Token(字詞)。 * (自信的作文比賽選手): 想像一個文筆極佳、作文比賽總是拿第一名的學生。當考題出現一個他完全沒聽過的歷史人物時,為了不留白,他憑著優異的文筆與邏輯,現場硬編出了一段感人肺腑的歷史故事。他的文章語法完美、邏輯通順,但內容全是編的!大腦的幻覺就是這位作文選手在「硬著頭皮編故事」。 * (《全職獵人》具現化系的幻想構築): 這就像是具現化系的念能力者!當大腦資料庫裡缺乏實體線索時,自迴歸矩陣會根據語意機率,強行在虛空中「具現化」出一條看起來極為合理的程式碼或網址。這不是惡意欺騙,而是機率接龍在缺乏約束時的自然運作現象。
他只是生成接起來機率高的答案,但並非你的正確的答案接龍。
既然知道了幻覺的成因,我們該如何在提示詞與操作中拉起防禦電網呢?
大腦之所以會作夢,是因為它預設認為你「非要一個答案不可」。
* ❌ 容易引發幻覺的問法:「請告訴我 Python 裡用來自動翻譯點字的 braille_magic_lib 套件怎麼用?」
* ✅ 防幻覺寫法:「請介紹 Python 處理點字翻譯的常用做法。如果你不確定是否有此套件,或者答案不在你的知識庫中,請老實回答『我不知道』,絕對禁止憑空編造函式庫名稱。」
* 效果:這句話在自注意力矩陣中拉起了一條安全退路,大腦會放棄低機率的作夢接龍,選擇老實承認不知。
不要讓大副空手憑記憶回答!
當你要大副寫程式或回答專案問題時,先把檔案、說明書或網頁傳給它(使用 RAG 或工作區檔案)。
* 提示詞範本:「請完全嚴格基於我提供的 api_doc.md 檔案內容來回答問題。答案中不得包含任何文件中未提及的假設。」
* 效果:把大腦從「憑空背書」拉回「開卷考試」,將注意力強制錨定在實體文字上。
這是 agy 等 Agent 最強大的優勢!
傳統聊天室(如網頁版 ChatGPT)給完程式碼就結束了,無法驗證真偽。而在 agy 中,大副擁有實體終端機工具:
* 對大副說:「請幫我寫出這段程式碼,並在終端機裡實際執行它。如果執行出錯,請根據真實的錯誤日誌自己修正,直到測試通過為止。」
* 效果:真實電腦的執行結果(Observation)是絕對不會說謊的!程式碼有沒有幻覺,終端機一跑便知真偽!
掌握了防幻覺三招,你就能徹底擺脫被 AI 瞎編誤導的風險!
👉 下一堂課:Lecture 04 偵探辦案與現場重建:解密 agy 作為 AI Agent 的自主計畫與 ReAct 機制 👉 回課程大綱:學習地圖
以下題目專為尋求真正硬核觀念與專家級實戰能力的學員設計。題目無法從講義表面抄寫解答,請嘗試獨立思考後再點擊展開解析。
【實戰情境問題】:當工程師問 AI:「`為什麼 NVDA API 裡的 wx.CallLater 函數會造成死鎖?`」,而實際上 NVDA API 裡根本不存在這個問題時,AI 給出了一大篇滔滔不絕的理由。這屬於順水推舟錯話還是自信做夢?如何透過 Prompt 鎖死退路?
【鑑別點說明】:測試學員是否能區分因使用者 Prompt 帶偏 (Sycophancy/Adversarial Prompting) 與模型權重缺失所導致的不同幻覺類型。
【專家級解答與深度剖析】: 這屬於「順水推舟錯話(Sycophantic Hallucination)」。因為工程師在問題中隱含了一個錯誤的前提假定(Premise),模型在自迴歸生成時,為了順應問題上下文的機率導向,會強行為這個錯誤前提尋找合理化解釋。防止順水推舟錯話的關鍵 Prompt 鎖退路技術:在系統提示中明確加上「**預先質疑前提原則**:如果問題中的前提、函數名稱或假設不符合事實,請直接糾正使用者,嚴禁順著錯誤前提進行編造。」
【實戰情境問題】:為什麼在 Agent 代理人架構中,單靠提示詞(Prompting)永遠無法 100% 消除幻覺,而必須引進「Observation 實體執行與閉環驗證」?
【鑑別點說明】:測試學員是否理解大模型軟體輸出的機率本質與實體環境確定性 (Ground Truth) 的對立統一。
【專家級解答與深度剖析】: LLM 本質上是文字機率預測器,無論 Prompt 寫得多麼完美,其輸出的機率分布中永遠存在非零的錯誤機率。只有將 AI 的產出放入實體編譯器、Python 解釋器或單元測試環境中執行,並將實體環境回傳的 Error Traceback 作為 Observation 餵回大腦,才能提供 100% 確定的 Ground Truth(客觀事實)。閉環驗證機制將「相信 AI 的話」轉變為「驗證 AI 的行為」,是消滅工程幻覺唯一的物理防線。