提示词工程对抑制 AI 幻觉有什么作用？

1. 思维链推理（Chain-of-Thought）

思维链提示强制模型分步推理，减少逻辑漏洞。MIT 研究发现最优性能出现在模型生成 3 至 7 个 distinct 推理步骤时。微软研究院报告显示，7B 参数模型使用 Logic-RL 变体在 AIME 数学竞赛题上准确率提升 125%。但较小模型（低于 7B 参数）往往难以有效运用 CoT。

2. 自我一致性校验（Self-Consistency）

通过多次独立采样生成不同推理路径，选取出现频率最高的答案。这种方法在数学问题上带来 18% 的提升，在文字应用题上提升 11%。代价是延迟增加——使用 5 条推理路径会使 API 调用耗时增加约 3.2 倍。

3. 验证循环（Chain-of-Verification, CoVe）

CoVe 是一种系统化方法：模型先起草初始回答，再规划验证问题来核查草稿，然后独立回答问题以避免偏见，最终生成经过验证的回答。实验表明 CoVe 将 F1 分数提升了 23%（从 0.39 到 0.48），优于 Zero-Shot、Few-Shot 和 Chain-of-Thought 方法。

4. 引用约束与结构化输出

要求模型为每个事实性声明提供来源引用，并将输出限制为预定义的 JSON Schema 或枚举选项。引用约束的优势不仅在于提高准确性，更在于让用户可以逐条审计答案。结构化输出则将模型的生成空间限制在有效选项范围内，从根本上缩小幻觉的空间。

5. 温度参数调优

对于事实性任务，将 temperature 设为 0 或接近 0 可显著降低幻觉风险。生产环境的推荐配置是：抽取/分类任务用 temperature=0，带引用的 RAG 回答用 temperature=0.2，头脑风暴类创意任务才使用 temperature=0.9 等高值。