企业官网建设流程全解析

怎么系统性约束幻觉，以及约束后仍然幻觉时怎么处理。

这也是很经典的 Agent面试题。

“在 Agent 系统里，你们怎么约束大模型幻觉？如果约束之后还是出现幻觉，该怎么办？”

这个问题很容易答浅。

不少录友上来就说：“我会在 Prompt 里要求模型不要编，不知道就说不知道。”

这句话对不对？

对，但太浅了。

因为 Agent 不是普通聊天机器人。普通 LLM 幻觉，最多是说错一句话；Agent 幻觉，可能会调错工具、传错参数、引用不存在的证据，甚至执行了不该执行的动作。

Agent 的幻觉问题，不是只靠一句 Prompt 能兜住的。

真正的工程解法，要从输入、工具、证据、输出、兜底全链路约束。

这篇文章，我们就讲透这个问题

目录

1. 先搞清楚：Agent里的幻觉不止一种
2. 总体思路：不要指望一层防线解决所有问题
3. 第一层：Prompt约束，只能管边界，管不住全部
4. 第二层：工具调用约束，防止Agent乱行动
5. 第三层：证据约束，让回答有据可依
6. 第四层：输出校验，生成完不是结束
7. 约束之后还幻觉，怎么办？
8. 工程上怎么长期治理幻觉
9. 面试怎么答

一、先搞清楚：Agent里的幻觉不止一种

面试官问"Agent 幻觉怎么处理"，你不要一上来就讲 Prompt。

先把幻觉类型拆清楚。

因为不同类型的幻觉，根因不同，解法也不同。

1. 知识幻觉

这是最常见的幻觉：模型编造不存在的事实。

比如用户问：“某个产品支持私有化部署吗？”

文档里没写，模型却回答：“支持，并且支持 Kubernetes 部署。”

这就是知识幻觉。

它的问题在于：模型把训练数据里的通用经验，硬套到了当前业务上。

2. 工具幻觉

Agent 调用了一个不存在的工具，或者把工具能力想象得比实际更强。

比如系统里只有search_docs，它却生成了一个query_database。

这类幻觉比知识幻觉更危险，因为它已经开始影响执行链路了。

3. 参数幻觉

工具是对的，但参数是瞎填的。

比如接口要求：

{ "date": "YYYY-MM-DD", "limit": "number"}

模型传了：

{ "date": "上周五", "limit": "十个"}

工具名没错，但参数不符合 schema，照样会出问题。

4. 证据幻觉

RAG 场景最容易出现这个问题。

模型明明没有从文档里检索到相关内容，却说：“根据文档可知……”

或者文档 A 只说了"支持退款"，模型回答成"支持 7 天无理由退款"。

这类幻觉最隐蔽，因为它披着"有来源"的外衣。

5. 行动幻觉

这是 Agent 系统里最危险的一类。

该确认的不确认，该审批的不审批，该只读的不小心变成写操作。

比如用户只是问：“帮我看看这个订单能不能退款。”

Agent 却直接调用退款接口，把钱退了。

这就不是回答错了，而是系统事故。

Agent幻觉类型

所以，Agent 幻觉不能只说"模型会编"。

更准确的说法是：Agent 幻觉是模型在事实、工具、参数、证据和行动上产生了不受控的生成。

二、总体思路：不要指望一层防线解决所有问题

约束 Agent 幻觉，不能只靠一层。

Prompt 要不要写？

当然要。

但 Prompt 只是第一层边界提醒，不是保险箱。

真正的工程防线至少有四层：

1. Prompt约束：告诉模型什么能做、什么不能做
2. 工具约束：限制它能调什么工具、参数能怎么填
3. 证据约束：要求回答必须有来源，没有证据就拒答
4. 输出校验：生成后再检查，不能让结果直接裸奔给用户

Agent幻觉四层防线

这四层解决的问题不一样。

Prompt 约束解决的是"模型知道边界"。

工具约束解决的是"模型不能乱行动"。

证据约束解决的是"模型不能空口编事实"。

输出校验解决的是"模型说完以后还要验收"。

面试里能说出这四层，基本就比只会说 Prompt 的同学高一档。

三、第一层：Prompt约束，只能管边界，管不住全部

Prompt 是必须要做的。

但你要知道它的能力边界。

Prompt 能做什么

它能把系统规则说清楚：

• 不知道就说不知道
• 只能基于工具结果和检索文档回答
• 文档没有提到的信息不要补充
• 高风险动作必须先确认
• 输出必须包含来源或置信度

比如系统提示词可以写：

你只能基于提供的工具结果和检索文档回答。如果证据中没有出现相关信息，必须回答“当前资料中未提及”。涉及支付、退款、删除、发邮件等写操作时，必须先向用户确认，不能直接执行。

这类 Prompt 很有用。

它至少让模型知道边界。

Prompt 管不住什么

但是，只靠 Prompt 管不住这些东西：

• 工具名是否真实存在
• 参数类型是否符合接口要求
• 检索文档是否真的支持回答
• 高风险操作是否真的被拦截
• 模型输出是否和证据一致

为什么？

因为 Prompt 本质上还是自然语言约束。

它是"希望模型遵守"，不是"系统强制执行"。

只说"我在Prompt里要求模型不要幻觉"，面试官一听就知道你没做过生产。

Prompt约束边界

正确姿势是：Prompt 负责声明规则，工程层负责强制执行。

四、第二层：工具调用约束，防止Agent乱行动

Agent 和普通 LLM 最大的区别是：Agent 会调用工具。

所以 Agent 的幻觉，很多时候不是"说错"，而是"做错"。

工具层要做的不是相信模型，而是限制模型。

1. 工具白名单

不要把所有工具都暴露给 Agent。

当前任务只给当前需要的工具。

用户只是问知识库问题，就不要给它退款、删除、发邮件这种写工具。

这样即使模型想乱调，也没有工具可调。

2. 工具描述要写清边界

工具描述不能只写：

search_order：查询订单

太粗了。

应该写成：

search_order：只读工具，用于按订单ID查询订单状态、金额、时间。不能修改订单，不能退款，不能查询用户隐私字段。

工具描述越含糊，模型越容易误用。

3. 参数 schema 校验

工具参数必须有 schema。

类型、枚举、必填字段、格式，都要约束清楚。

比如：

{ "type": "object","properties": { "order_id": { "type": "string", "description": "订单ID" }, "action": { "type": "string", "enum": ["query", "refund_preview"] } },"required": ["order_id", "action"]}

模型传错参数，不能直接执行。

要么打回重试，要么降级处理。

4. Observation 必须来自真实工具结果

这是一个很关键的点。

工具返回结果不能让模型自己编。

Agent Loop 里，Observation必须来自真实工具执行结果，而不是模型生成一句"查询结果如下"。

否则工具调用就失去意义了。

5. 高风险工具必须审批

只读工具和写工具要分开。

查询订单是一回事，退款是另一回事。

高风险动作至少要加：

• 用户二次确认
• 权限校验
• 金额/范围阈值
• 人工审批
• 幂等和回滚机制

Agent 系统里，最怕的不是模型不知道，而是模型自信地执行错动作。

工具调用约束链路

五、第三层：证据约束，让回答有据可依

很多人以为接了 RAG，就不会幻觉了。

这也是误区。

RAG 只能给模型提供外部证据，但不能保证模型一定忠实于证据。

之前在 RAG落地最难的地方在哪 里讲过，RAG 最难的不是某一个环节，而是文档预处理、召回质量、生成忠实度三个环节级联放大。

在 Agent 系统里，证据层至少要做五件事。

1. 先检索，再回答

涉及业务事实、产品规则、公司政策的问题，不要让模型凭记忆答。

必须先检索。

模型训练数据里再懂，也不一定懂你们公司昨天刚更新的退款规则。

2. 强制引用来源

回答里要能追溯到文档。

比如：

根据《退款规则》第3节，未发货订单支持原路退款。

不是为了让回答看起来正式，而是为了逼模型把结论和证据绑定。

3. 检索不到就拒答

如果检索结果为空，或者相关性低，就不要硬答。

应该回答：

当前资料中没有检索到相关规则，无法确认。

这比编一个看起来合理的答案强太多。

4. Rerank 降低噪声

召回文档多，不等于证据强。

Top-K 拉得太大，噪声文档混进来，模型反而更容易被带偏。

工程上常见做法是：先粗召回，再 Rerank，最后只把最相关的证据给模型。

5. 答案和证据做一致性校验

生成之后，再检查一遍：

• 回答里的关键结论，证据里有没有出现？
• 数字、时间、限制条件是否一致？
• 有没有文档没提到但模型自己补充的内容？

这一步可以用规则，也可以用一个轻量模型做 LLM-as-Judge。

但注意，Judge 也会错，所以高风险场景不要只靠它，要结合规则和人工审核。

证据约束闭环

六、第四层：输出校验，生成完不是结束

很多系统把"模型生成回答"当成最后一步。

这不对。

在 Agent 系统里，生成之后还要验收。

1. 结构化输出校验

能用 JSON，就不要让模型自由发挥。

比如客服工单分类，输出应该是：

{ "category": "refund", "confidence": 0.86, "need_human": false, "evidence_ids": ["doc_102", "doc_305"]}

这样才能校验字段是否缺失、枚举值是否合法、置信度是否低于阈值。

自由文本看起来顺滑，但很难管。

2. 业务规则校验

模型说"可以退款"，系统还要检查：

• 订单是否存在
• 是否超过退款期限
• 金额是否异常
• 用户是否有权限
• 当前状态是否允许退款

这些不能交给模型自由判断。

应该由业务代码兜底。

确定性规则，别让概率模型拍脑袋。

3. 敏感内容校验

涉及医疗、法律、金融、隐私、公司内部数据的内容，要做额外校验。

比如：

• 是否泄露个人信息
• 是否给出越权建议
• 是否包含未经证实的结论
• 是否把建议说成了确定事实

这类场景里，模型最好只输出建议，不直接给最终决策。

4. 多模型或双阶段审查

复杂场景可以加一个 Reviewer：

第一阶段：Generator 生成回答。

第二阶段：Reviewer 检查回答是否被证据支持、是否违反规则、是否需要人工介入。

这就是 Reflection / Review 的思路。

但别滥用。

每加一层模型调用，成本和延迟都会上升。

简单 FAQ 没必要这么重，高风险动作才值得上。

七、约束之后还幻觉，怎么办？

这是面试官最喜欢追问的地方。

因为现实里没有 100% 不幻觉的 Agent。

你不能说：“我约束完就不会幻觉了。”

这句话太假了。

更好的回答是：我承认幻觉无法完全消灭，所以系统要有拦截、降级、记录和复盘机制。

1. 先拦截

出现这些情况，不能直接返回给用户：

• 没有证据来源
• 置信度低
• 输出校验失败
• 工具参数不合法
• 高风险动作没有确认
• 生成结果和证据冲突

拦截不是失败，而是保护系统。

2. 再降级

拦截之后怎么办？

看场景：

• 换更强模型重新生成
• 只返回检索到的原始证据
• 让用户补充信息
• 转人工处理
• 对写操作直接停止执行

比如用户问一个政策问题，模型没有证据支持，那就只展示检索到的相关文档，让用户自己看，不要让模型总结。

3. 高风险动作要回滚或审批

如果幻觉影响的是写操作，就不能只靠"重新回答"解决。

比如错误发邮件、错误退款、错误删除数据，这些都是动作层事故。

所以高风险工具必须提前设计：

• 审批流
• 幂等机制
• 回滚机制
• 操作日志
• 权限隔离

否则出了问题，你连怎么恢复都不知道。

4. 必须记录 trace

只要出现幻觉，就要能复盘。

至少记录：

• 用户原始输入
• 系统 Prompt
• 检索到的文档
• 工具调用参数
• 工具真实返回
• 模型最终输出
• 校验失败原因
• trace_id

没有 trace，就没有复盘。

没有复盘，幻觉就会反复发生。

Agent幻觉兜底流程

八、工程上怎么长期治理幻觉

线上兜底只能止血。

真正要把幻觉率降下来，还得做长期治理。

1. 先归因分类

每次幻觉事故，都要归因。

到底是：

• Prompt 边界没写清？
• 工具描述太模糊？
• 参数 schema 太松？
• RAG 没召回正确文档？
• Rerank 把噪声排前面了？
• 输出校验没拦住？

不归因，后面只能瞎改。

2. 把事故样本加入 eval

这是很多团队容易忽略的地方。

出了幻觉，不是改完 Prompt 就算完。

要把这次失败样本加入评测集。

以后每次改 Prompt、改工具、改 RAG，都要跑一遍回归测试。

否则你修好了这个 case，可能又把另一个 case 搞坏了。

3. 建立监控指标

Agent 幻觉不能只靠用户投诉发现。

至少要监控这些指标：

• 无证据回答率
• 检索为空仍回答的比例
• 工具调用失败率
• 参数校验失败率
• 输出校验失败率
• 人工接管率
• 用户纠错率

这些指标不是为了好看，是为了告诉你系统哪里在变差。

4. 分场景设置不同安全等级

不是所有场景都要同一套防线。

闲聊场景，可以轻一点。

业务咨询，要证据约束。

写操作，要审批。

医疗、金融、法律，要更严格，很多时候只能给建议，不能替用户做决定。

安全等级要跟风险匹配。

不要简单任务上重防线，也不要高风险任务裸奔。

九、面试怎么答

面试官问"Agent 系统如何约束大模型幻觉，如果约束后还出现幻觉怎么办"，不要只说"我会写 Prompt"。

要体现你知道 Agent 幻觉的类型、链路和兜底。

参考回答思路：

"我不会只靠 Prompt 约束幻觉。Agent 的幻觉不止是知识幻觉，还包括工具幻觉、参数幻觉、证据幻觉和行动幻觉，所以要分层处理。

第一层是 Prompt 约束，明确不知道就拒答、只能基于证据回答、高风险动作必须确认。但 Prompt 只是边界提醒，不是强制机制。

第二层是工具约束。

当前任务只暴露必要工具，工具描述要写清能力边界，参数必须有 schema 校验，Observation 必须来自真实工具返回。写操作要做权限控制、二次确认和审批。

第三层是证据约束。

涉及业务事实的问题必须先检索再回答，回答要带来源，检索不到就拒答。生成后还要做答案和证据的一致性校验，避免模型把文档没有的内容补出来。

第四层是输出校验。

结构化输出要校验字段、枚举和置信度，业务规则用确定性代码兜底，高风险场景可以加 Reviewer 或人工审核。

如果这些约束之后仍然出现幻觉，线上不能直接放行，要先拦截，再根据场景降级：换强模型、只返回证据、让用户补充信息、转人工，写操作直接停止或走审批。

同时保留 trace，包括 Prompt、检索文档、工具参数、工具返回和模型输出。事后把事故样本加入 eval，修 Prompt、工具 schema、RAG 召回和输出校验，并监控无证据回答率、工具调用失败率、人工接管率等指标。"

这个回答的重点不是承诺"Agent 不会幻觉"。

而是告诉面试官：我知道它一定可能幻觉，所以我有分层约束、线上兜底和事后治理。

这才是生产系统的思路。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】