LLM幻觉（Hallucination）缓解技术综述与展望

LLMs 中的幻觉问题（LLM 幻觉：现象剖析、影响与应对策略）对其可靠性与实用性构成了严重威胁。幻觉现象表现为模型生成的内容与事实严重不符，在医疗、金融、法律等对准确性要求极高的关键领域，可能引发误导性后果，因此，探寻有效的幻觉缓解技术成为当前人工智能研究的关键任务。

一、RAG：基础但有缺陷的缓解手段

检索增强生成（RAG）作为缓解幻觉的常用方法（RAG(Retrieval-Augmented Generation)评测：评估LLM中的幻觉现象），其核心原理是从外部数据源（如知识库、向量数据库）检索相关信息，并将其作为上下文提供给 LLM 辅助文本生成。在许多知识密集型任务中，它能在一定程度上引入外部事实，约束模型输出，避免完全脱离实际的臆想。例如，在回答关于历史事件的问题时，若模型自身知识储备不足，RAG 可从相关历史资料数据库中提取信息，辅助生成相对准确的回答。

尽管如此，RAG 存在诸多局限性。一方面，其效果高度依赖于检索数据的质量。若向量数据库充斥着过时、错误或不相关的数