為什麼 AI 會一本正經地胡說（5 個真正有效的提示修正）

AI「一本正經地胡說」的頻率，比大家願意承認的高得多。它會捏造一個統計數字、引用一篇根本不存在的論文，或用它陳述真實事實時同樣沉穩的語氣，說出一個假事實。這種現象叫做「幻覺」（hallucination）。只要你曾用 ChatGPT、Claude 或 Gemini 處理正經工作，它至少已經坑過你一次。好消息是，大部分幻覺其實在「提示詞」層面就能預防，根本不必動用更複雜的設定。

什麼是 AI 幻覺？

AI 幻覺，是指一個自信、流暢，但事實上錯誤的答案。模型並非在說謊，它只是在預測「最合理的下一個詞」，而合理並不等於真實。當你問及冷門事實、近期事件，或任何超出模型訓練資料範圍的東西時，幻覺最容易出現。

理解這一點，會重新定義解決方法。你要做的不是讓模型變聰明，而是改變機率，讓「我不確定」比「自信地捏造」成為更合理的輸出。

修正一：明確允許它說「我不知道」

在預設情況下，模型的行為彷彿每一條問題都必須回答。Anthropic 關於降低幻覺的官方指引就建議，明確允許模型承認不確定，能大幅減少錯誤資訊。你的提示詞裡加一句話，就能改變它的行為。

在任何事實查詢後加上這樣一句：「如果你不確定，請直接說明，不要猜測。」聽起來簡單得過分，但這能移除模型「必須給出定論」的壓力。

修正二：先引用原文，再作答

當你貼進一份文件或報告時，別急著要它下結論。Anthropic 建議，先請模型逐字摘錄原文的相關句子，然後只根據這些引文來構建答案。這能讓回應紮根於真實文字，而非模型的記憶。

效果立竿見影。一個剛剛引用過相關句子的模型，遠不容易滑向捏造的細節，因為它的答案此刻已錨定在你幾秒內就能親自核對的證據上。

修正三：強制它先逐步推理

要求模型在下結論前先推理，也就是所謂的「思維鏈」（chain-of-thought）提示，能減少任何涉及邏輯、數學或多步驟任務的錯誤。當模型一口氣衝向答案時，它會跳過那些本可揪出自身錯誤的中間檢查。

在複雜請求後加上：「在給出最終答案前，請一步一步思考。」你接著就能閱讀它的推理，準確找出它在哪一步走錯，而不是盲信一個黑箱結論。

修正四：用你自己的資料為它「接地」

最可靠的答案，出現在模型「總結你提供的事實」，而非「回憶它記得的事實」之時。這正是檢索增強生成（RAG）的核心思路，但你不需要任何基礎設施，也能手動運用這個原則。

把確切的原始文字貼進提示詞，並指示：「只根據以上文字作答。若文字中沒有答案，請說明未有提及。」此刻模型是在「閱讀」而非「回憶」，而閱讀正是它最強的地方。

修正五：用第二個模型交叉核對

面對高風險的答案，把同一條問題分別交給兩個不同模型，例如 Claude 與 GPT，再作比較。當兩個獨立模型意見一致時，可信度會急升；當它們出現分歧時，你就精準地找到了那個值得親手核實的說法。

這其實反映了大型供應商如今內部的做法。在實務上，把任何單一模型的事實聲稱視為「有待查證的草稿」，而非最終答案，正是可靠的 AI 用家與被坑過的用家之間的關鍵思維差異。

立即試用：一個抗幻覺提示詞

把這個外框套在任何事實查詢任務上，並替換方括號的部分。它把五個修正中的四個疊進一個可重用的區塊，你可以直接存進筆記。

你正在回答一條事實問題，請遵守以下規則：
1. 只使用下方的原始文字，不要加入外部事實。
2. 首先，引用支持你答案的確切句子。
3. 然後，一步一步作答。
4. 若原文沒有答案，請回覆：「原文未有提及。」
5. 標明任何你不確定的部分。

原文：[在此貼入你的文件或資料]
問題：[在此輸入你的問題]

一個誠實的提醒：這些技巧都無法讓模型變得完美，也沒有任何提示詞能拯救一個「完全沒有可靠原始資料」的題目。它們能把機率大幅拉向對你有利的一方，但最後的事實查核，仍然是你的責任。

重點總結

幻覺並非你必須默默忍受的神秘缺陷。允許模型表達不確定、讓它先引用與推理再作答、用你自己的資料為它接地，並交叉核對重要的內容。做到這些，「自信地出錯」這個問題，就會縮小成你能夠管理的程度。

可靠的 AI，靠的不是一個魔法模型，而是圍繞它的習慣。懂AI的冷，更懂你的難 — UD 同行28年，讓科技成為有溫度的陪伴。

知道這些修正只是第一步。下一步，是把它們整合進一套經過驗證、可重複，並且全團隊都信任的工作流程。UD 團隊手把手帶你完成每一步，由提示詞設計，到一套讓 AI 輸出保持誠實的驗證流程。