幻觉并非神秘的错误，而是遵循着可预测的模式。上下文缺失、提示含糊，会让模型用看似合理却缺乏依据的内容填补空白。检索能力薄弱或 RAG 来源范围设置不当，则会找到无关却看似权威的文档。过时的训练数据会导致时效性错误。最后，模型往往会用斩钉截铁的语气表达置信度较低的内容。针对每项主张找出造成问题的失效模式，就能缩小应对措施的选择范围——例如，来源问题应改进检索，而上下文缺失则应在提示中加入明确限制。

采用一套简洁的闭环流程，让团队能够核验任何 AI 生成的主张。第 1 步：准确界定主张——明确涉及谁、什么、何地、何时，以及所需的确定性程度。第 2 步：要求提供证据——要求一手来源或数据摘录，而不是转述后的摘要。第 3 步：核查一手来源——打开引用的文档，确认摘录能够支持该主张，并记录准确引文或数据表。第 4 步：交叉对照——至少找到一个能够佐证该观点的独立参考资料或数据集。第 5 步：标注并区分推断——标明哪些内容是已核实的事实，哪些是分析人员的推断。第 6 步：记录审批——注明审批人以及采用的置信度阈值。

控制措施的设计应不依赖特定工具。可通过提高向量相似度阈值、按日期和领域筛选来源，以及展示作者、日期和摘要等元数据来增强检索。对于 RAG，应在回答中包含来源信息，并要求提供来源链接或文档 ID。使用跨模型验证：将同一主张交给不同模型处理，再比较事实性输出及其依据。严格遵守引文规范：事实性主张必须附有引用，引用格式应统一，并通过自动检查确认引述内容与来源一致。

并非所有输出都需要同等程度的审查。可使用 2×2 风险矩阵，分别评估影响（低至高）和复杂性／不确定性（低至高）。影响低、不确定性低的内容——如 SEO 关键词建议或标准化客服回复——只需轻量核查（检查元数据、通过单一来源确认）。影响高、不确定性高的内容——如投资者备忘录中的市场规模估算，或高管对外沟通中的法律主张——则需要多来源佐证、调取一手数据，并由专家审批。举例来说：市场研究应附上原始数据表和来源链接；高管报告应附一页证据说明；内部助手则必须展示来源信息，并为每项事实标注“置信度”。

明确职责分工，让核验流程真正融入日常工作：提示词撰写者界定主张范围；检索人员或分析师收集一手证据；核验人员或主题专家（SME）确认准确性；文档负责人记录审批。提供证据检查清单、引文记录、置信度评分和审批日志等模板。尽可能自动化元数据提取、相似度阈值判断和引文匹配，但推断、边界案例及最终审批仍应由人工判断。定期抽查已发布内容，衡量残余幻觉率，并视情况调整阈值或训练数据。