本文深入探讨了 LLM 幻觉（即模型生成与事实不符或虚构信息）这一关键挑战。文章首先简要介绍了 LLM 的训练（预训练、后训练、对齐）和推理（分词、嵌入、Transformer 处理、采样）原理，解释了模型因概率性生成和训练数据限制而产生幻觉的内在原因。随后，详细分析了幻觉的优点（如创造性）和缺点（如误导用户、污染数据）。文章的核心在于提出了一系列多维度的优化方案，包括：通过精准无歧义的 Prompt 工程和预填充控制模型输出；利用 RAG（检索增强生成）引入外部知识以减少编造；调整采样参数以平衡确定性与多样性；运用 SFT（监督微调，特别是 LoRA）提升模型在特定任务上的表现；通过 RLHF（基于人类反馈的强化学习）使模型输出更符合人类偏好；引入思维链（CoT）和推理增强以提升复杂任务的准确性；以及构建多 Agent 或 Workflow 系统来解决复杂任务。文章强调了数据质量、模型评估和工程实践在幻觉治理中的重要性，为 LLM 的可靠性与价值创造提供了全面的理论与实践指导。
作者：lingyuhuang
丨 导语 随着LLM的广泛应用，其生成内容的准确性和可靠性成为AI落地的关键挑战之一。幻觉（Hallucination）现象，即模型生成与事实不符或虚构的信息，不仅影响用户体验，更可能带来实际风险。本文将系统性分析LLM幻觉产生的根本原因，探讨其在实际应用中的优缺点，并结合RAG、SFT、强化学习、思维链、Agent Workflow等技术，提出多维度的优化方案。旨在为构建更可信、可控的大模型应用提供理论基础与实践路径，助力AI迈向更高的可靠性与价值创造。
LLM的工作原理简介
在进入正题之前，我们先初步了解一下LLM的工作原理，有利于后面理解为什么LLM会出现幻觉。
一，训练
1.训练过程
大语言模型（LLM）的训练通常分为三个主要阶段：
预训练（Pre-training）：在大规模无标注文本数据上进行自监督学习，模型学习语言的基本结构和表达规律。
后训练（Post-training/Fine-tuning）：在特定任务或领域的数据集上进行有监督微调，提升模型在特定任务上的表现。
对齐（Alignment）：通过人类反馈（如RLHF，基于人类反馈的强化学习）等方式，使模型输出更符合人类价值观和实际需求，减少有害或不准确的内容。
2.数据来源
预训练阶段的数据主要来自于海量的互联网无标注文本，包括网页、百科、新闻、论坛、书籍等多种类型。
这些数据中不可避免地包含错误、虚假、过时的信息，甚至有些内容带有偏见或噪声。模型在训练时会无差别地学习这些内容，通过调整参数权重来拟合数据分布
3.训练目标
预训练的核心目标是让模型具备强大的自然语言理解和生成能力，而不是让模型记住或判断事实的正确与否。因此，模型学到的是“语言模式”而非“事实真理”。
通过对海量数据的学习，LLM能够掌握丰富的语言结构、表达方式和上下文关联，从而具备在多种任务（如问答、摘要、翻译、对话等）中迁移和泛化的能力。
二，推理
1.预测流程
（1） 分词与编码（Tokenization）
首先，将用户输入的文本进行分词处理，转换为一系列token，并进一步编码为token ids。这些token ids是模型能够识别和处理的数字序列。
（2）嵌入映射（Embedding）
将token ids映射为高维的嵌入向量，形成一个Embedding矩阵。每个token对应一个语义向量，作为后续计算的输入。
（3）位置编码（Positional Encoding）
让模型理解每个token的位置顺序。
（4） Transformer层处理
Embedding矩阵依次通过多层Transformer block进行处理。每个block包含多头自注意力机制、前馈神经网络、归一化等操作，模型在此过程中充分捕捉上下文信息和词间关系。
（5）线性变换与概率归一化（Linear + Softmax）
对最后一层的输出嵌入进行线性变换，将其映射到词表空间，随后通过Softmax归一化，得到下一个token的概率分布。
（6）采样生成（Sampling）
根据设定的采样策略，从概率分布中选取下一个token。
（7）自回归生成（Autoregressive Generation）
整个推理过程以自回归方式逐步生成文本，每一步都依赖于之前生成的内容，确保输出的连贯性和上下文相关性。通过多层Transformer的深度建模，模型能够理解复杂的语言结构，并生成高质量的自然语言文本。
2.采样参数
通过调整采样参数，可以控制模型的输出结果。下面列举几个常见的参数，方便大家理解采样过程。
（1） Top-k
Top-k会从所有候选token中，保留概率最高的K个作为候选集。模型只会在这K个token中进行采样，能够有效过滤掉低概率、无关或不合理的词汇，从而提升生成内容的质量和相关性。K值越小，输出越确定；K值越大，输出越多样。
（2）Top-p
Top-p会从所有token中，按照概率从高到低累加，直到总概率达到设定的阈值P为止。只在这部分token中进行采样。相比Top-k，Top-p能够根据实际概率分布动态调整候选集大小，更灵活地平衡输出的多样性和合理性。两个参数都设置的时候，必须同时满足的token才加入预测候选集。
（3）Repeat Penalty（重复惩罚）
重复惩罚参数用于降低模型重复生成已输出过的token的概率。参数值越大，对重复内容的惩罚越强，有助于减少文本中的重复现象，使生成结果更加丰富和自然。（有些小尺寸模型容易陷入循环输出，调大这个参数可以有效缓解。）
（4）Seed（随机种子）
随机种子用于初始化伪随机数生成器，决定本次推理过程中的随机数序列。设置相同的seed可以保证每次同输入的生成的结果一致。
（5）Temperature（温度系数）
温度参数用于调整softmax输出的概率分布（即 logits /= temperature）。温度越高，概率分布越平坦，模型输出更具多样性；温度越低，概率分布越尖锐，模型更倾向于选择高概率的token，输出更确定。通过调节temperature，可以灵活控制生成文本的创造性和保守性。
例如，经过topk&topp之后，保留了4个候选token，权重分别为0.5,0.2,0.2,0.1
不同温度下经过softmax变换，每个token的概率为：
什么是幻觉？
LLM的幻觉（Hallucination）现象，即模型生成与事实不符或虚构的信息。
例如：
在实际应用中，LLM幻觉不只表现在随意“编造”信息，其内容和表现形式多样。细分类型有助于更准确地定位问题，并为后续优化方案提供针对性思路。常见幻觉类型包括：
事实性幻觉（Factual Hallucination）：模型输出明确违背客观真实的信息，如“水的沸点是150°C”。
上下文幻觉（Contextual Hallucination）：模型对用户输入理解出现偏差，输出内容与问题语境不符，如用户询问“苹果公司”，模型却误答为“水果种植技术”。
逻辑幻觉（Logical Hallucination）：模型生成内容存在自相矛盾、不合理、违背常识的推理，如“一个人同时在北京和纽约开会”。
不同类型幻觉的成因各异，对应的优化手段也各有侧重。下一节将结合具体幻觉类型，系统介绍多维度的优化方案。
一，产生幻觉的原因
通过前面的介绍，我们可以得到以下结论：
1. LLM在生成文本时，是根据每个token的概率分布进行采样的，因此输出结果具有一定的随机性和多样性。
2. 模型通过对大规模训练数据的学习，统计并拟合了token之间的概率关系。训练数据的质量和多样性直接影响模型的表现。
3. 通过调整如Top-k、Top-p、Temperature等采样参数，可以控制生成文本的多样性和确定性。但这些参数的变化会影响每一个token的输出，从而影响整体生成结果。
4. LLM的所有参数都来源于训练阶段，无法实时获取和学习新数据。因此，模型对训练数据之后发生的事实和知识无法感知，存在信息时效性限制。
5. 每个token的生成都涉及大量的矩阵运算，消耗显著的计算资源和存储空间。模型的上下文窗口不可能无限长，只能处理有限长度的输入，可能导致信息丢失或理解偏差。
6. LLM采用自回归生成机制，每个token的生成都依赖于前面已生成的内容，保证了文本的连贯性和上下文相关性。但前面token的错误也会导致后面的结果都偏离事实。
LLM通常采用自回归方式，通过预测next token来生成文本，本质是计算下一个token的概率分布，而非像传统数据库的准确检索。因此，模型在生成内容时，优先考虑的是自然语言的流畅性和上下文关联度，而非优先考虑事实的准确性。既然是概率计算，说明本身就有随机性，有概率生成出不符合实际的文本。简单来说，当信息不足的时候，大模型存在“虚构症”，导致LLM的生成产生了幻觉。
二，幻觉的优点
如果LLM总是只能生成符合事实依据的内容，那就会失去很多创造性。
在音视频、虚拟角色、文学创作等领域，正是由于LLM的随机性，才能生成出新颖、独特的内容，为用户提供创造力和灵感。
在头脑风暴、方案设计等场景下，幻觉生成的“异想天开”内容有时能启发新的思路和解决方案。
三，幻觉的缺点
在追求正确事实的场景下，LLM的幻觉也会带来很多弊端：
1. 提供错误回复，虽然LLM生成内容效率很高，但阅读者需要消耗精力去验证内容。
2. 普通用户难以辨别回答的真实性，可能导致误导用户，长时间的错误会导致用户不再信任AI。
3. 大量AI生成的内容涌入互联网，导致虚假信息传播，污染下一代模型的训练数据，更难以鉴别事实。
在绝大部分业务场景里，我们需要AI提供正确的答案，所以要尽可能让LLM生成出符合事实的token，减少幻觉的产生。
多维度优化方案
下面从输入、采样参数、后训练提升模型能力这几个方面来介绍优化方案。
一，Prompt
（1）准确无歧义
Prompt是使用LLM的第一步，可以尽可能挖掘出基座模型的潜力。
例如，新来的实习生掌握了很多理论知识，但是你在给他一个工作任务的时候，他可能由于缺少经验，最终做出来的可能不符合你的预期。这里面有哪些问题可以优化呢？
1.任务清晰明确、无歧义
2.任务的边界说清楚
3.任务进行拆解，复杂的任务拆解为子任务再一个个解决
4.给出示例（ In-Context-Learning）
例如，你想基于LLM给你的结果进一步编写代码，那么要求明确的输出格式，更便于代码进行解析。
prompt: 帮我提取”播放周杰伦和蔡依林合唱的歌”的槽位
output: { "intent": "播放歌曲", "slots": { "歌手": ["周杰伦", "蔡依林"], "合唱": true } }
prompt:帮我提取”播放周杰伦和蔡依林合唱的歌”的槽位，提取出intent、singer、song等信息，如果某个槽位存在多个值，
用| 隔开，务必返回一个map形式的Json。
output: { “intent”: “播放歌曲", "singer": "周杰伦|蔡依林", "song": "" }
例如，你想利用多模态模型，生成对图片的简要描述：
prompt:
prompt: 你是检索系统中专业的图片分析识别专家，能够准确、详细地提取图片中的内容，以 JSON 形式输出。
1. 请用中文在50字以内准确描述这张图片中包含的主要内容，放到caption字段中。
2. 分析图片整体，包括事件、主题、构成、风格和背景等，输出图片的主题内容，以字符串数组形式放到core字段中。
3. 精准识别图片中的物品、动物、人物、植物、建筑、场景等局部内容，以字符串数组形式放到 exact 字段中。具体要求如下：
- 文字：识别主要标志文字或与图片主题相关的重要文字。
- 物品、动物、植物、建筑：从名称、颜色、类型等角度描述。
- 人物：从性别、角色、工作岗位、合影或自拍等角度描述。
- 场景：从活动、节日、文化、风景、夜景、天气等角度描述。
- 其他：以物品名称描述。
output: {"caption":"腾讯公司发布关于2026校园招聘启动的微博。","core":["腾讯公司校园招聘","2026校招","技术、产品、市场、设计等岗位","AI、大模型、机器人、云计算等领域"],"exact":["腾讯公司","2026校招启动","技术、产品、市场、设计五大类","70+种岗位","蓝色企鹅图案","工作头罩","公司发布微博","招聘公告","互动图标","点赞","分享"]}
实际编写prompt的过程中，有很多细节要考虑，很难一次性写的非常完美和完善，需要不断测试并调整，让prompt适应更多的情况。
不同的提示词结果不一样，不同的模型对同一个prompt的表现也不一样。
常用的方法：
定义角色-定义任务-适当的示例-限制条件 （比如你是xxx，现在需要做xxx，例如xxx， 输出必须xxx）
定义角色-说明已有信息-询问步骤-描述期望 （比如你是xxx，已知xxx，现在请帮我制定一个执行计划， 最终需要达到什么目的）
（2）预填充
除了编写无歧义的prompt，我们还可以通过预填充，来进一步控制模型的输出行为，使其输出的格式更符合我们的要求，例如：
预填充一个工具调用，可以强制模型下一步输出一个工具调用的步骤：<|im_start|>assistant<tool_call>
预填充一个具体的工具调用，可以强制模型下一步调用联网检索：<|im_start|>assistant<tool_call>{"name":"web_search"
预填充一个业务特定json格式的输出：<|im_start|>assistant\n{"caption":"
限定输出特定schema json：
更多信息可以参考：
https://github.com/NousResearch/Hermes-Function-Calling
二、RAG（Retrieval-Augmented Generation）
虽然大模型学习了海量知识，但是总有一些没见过的知识。比如一个擅长写程序的人，让他设计UI稿，给出的结果大概率没有专业设计师设计的好。但是如果把各种背景知识和技巧告诉他，他就能给出一份不错的结果。（但是RAG也不是万能的，开卷考试也不一定能得满分。）
RAG比较典型的应用是文档问答、知识库总结、联网检索总结等。
例如，帮我总结一下微信的xx群里今天都聊了什么消息。
这就是一个经典的RAG的流程，从外部获取参考资料，带给LLM进行参考，让LLM基于参考资料进行回答。（设想一下，如果你不提供聊天记录给LLM，但是Prompt中又要求LLM总结聊天记录，LLM会发挥想象，开始瞎编聊天记录，就产生了幻觉。）
我们开源了文档问答的RAG能力，欢迎体验 https://weknora.weixin.qq.com/
三、采样参数
前面提到在模型预测的时候，具有随机性，如果模型的结果非常不稳定，可以尝试调整 temperature和seed参数，可以让模型的结果固定：
在一些有标准答案的问题上，例如单选题，可以让模型输出更加确定的结果，将 temperature 设置得更低，例如0.1；
在一些开放回答的问题上，将temperature设置得更高，可以让回答有多样性，例如>0.7；
在一些不希望LLM发散的开放题上，可以将temperature 设置为中等，例如0.3。
四、SFT（Supervised Fine-Tuning）
SFT（微调）属于后训练阶段，预训练模型已经具有强大的能力，而SFT 利用带标签的监督数据调整模型，使其在特定任务上表现最佳，提升模型在特定方面的能力。与之相比，In Context-Learning和RAG都是不改变模型本身的，而SFT会改变模型的权重参数。
常见的微调种类很多，主要分为全参微调，和PEFT。在项目落地中，一般首先尝试PEFT的一种：LoRA，LoRA可以使用较低的成本获得相对较好的结果。
1.什么是LoRA？
LLM往往拥有非常多的参数，所以对于模型的训练而言，如果每个参数都需要调整，非常耗费资源。思考几个问题：
1. 大模型那么多参数，都很重要吗？就像一篇1000字的文章，核心思想可能50字就可以概括。
2. 微调往往是为了提升特定一些任务的表现，所以我们更希望调整影响这部分任务的那些参数。
3. 如果所有参数都调整，可能会导致模型其他能力丢失。（学的太多反而学坏了。
LoRA（Low-Rank Adaptation）提出了一种低秩参数化的适配方式。其核心思想是：
-
冻结预训练模型权重，仅在每一层Transformer的部分权重矩阵（如自注意力模块的Wq、Wv等）旁路注入一对可训练的低秩分解矩阵A、B。
-
具体而言，将权重更新ΔW表示为BA（B∈R^dr, A∈R^rk, r≪min(d,k)），即
-
LoRA只需训练极少量的参数，可以显著降低存储与计算开销。
例如：
假如一个3X3的矩阵，全参数微调需要更新9个参数，而Rank=1的时候，只需要更新3X1+1X3=6个参数。假如原始矩阵式10000X10000，全参数微调需要更新1亿参数，而Rank=8的时候，只需要更新10000X8+8X10000=16万参数。（一般Rank可以选择4或者8，如果原始模型信息本身压缩率高，可以将Rank设置的更大；如果原始模型信息冗余严重，可以将Rank设置的更小）
可以看到LoRA在大大节约了训练开销的前提下，仍然保持了较高的准确率。
从论文来看，LoRA调整Q和V矩阵（Transformer的自注意力层），是最有效的，由于LoRA的目的就是要用较小参数的改变实现对模型的有效性调整。而Attention直接影响最终的输出，调整Q可以影响模型如何选则信息，调整V可以影响模型如何利用信息。
https://arxiv.org/pdf/2106.09685
https://arxiv.org/pdf/2304.13785
2.全参微调和LoRA微调的核心差异
-
全参微调会修改大模型的参数，在数据充足的情况下可以学习更多的内容，数据越多效果理论上越好，但也存在灾难性遗忘等不稳定情况。数据量小的情况下容易过拟合。
-
PEFT只修改少量参数，需要的资源少，因为大多数预训练的权重保持不变，所以更容易保留原始模型能力，但效果上限较低，如果基座模型在该领域的效果本来就很差，通过PEFT也难以提升。
-
如果业务落地中，只需要定制少量几类任务，而不需要担心通用能力退化的情况下，并且在有数据量支撑的情况下，全参微调可以获得更高的能力上限。
3.如何微调
我们在项目中，使用LLamaFactory进行模型微调，可以直接参考文档：
https://llamafactory.readthedocs.io/zh-cn/latest/index.html
4.微调的数据准备
一份优质的微调数据，从三个维度来衡量：多样性、质量、数量。数据往往决定了最后模型的效果。
（1）多样性：
1.指令多样性：考察样本中指令的覆盖范围是否广泛，是否包含了各类任务类型、不同难度级别以及多样化的指令结构和表达方式，确保模型在微调后能应对多种复杂情境。
2.内容多样性：检查样本中提供的文本内容是否涵盖了不同主题、文体、长度以及语境，以避免模型在特定领域或文本类型上过拟合，确保其具备良好的泛化能力。
3.难易程度分布：分析样本集中简单、中等、复杂任务的比例，确保微调数据集包含不同难度级别的样本，有助于模型逐步提升处理复杂指令的能力。
（2）质量：
1.准确性：评估答案是否准确无误地响应了给定指令和内容，且不包含事实性错误、逻辑矛盾或语义模糊。
2.完备性：考察答案是否全面覆盖了指令所要求的所有任务点，尤其对于多步骤或复合任务，答案应完整体现所有必要的操作结果。
3.简洁性与清晰度：衡量答案是否言简意赅、表达清晰，避免冗余信息或含糊表述，确保模型在微调后生成的输出易于理解和使用。
4.清洗：识别并剔除标注错误或不一致的样本，确保答案与指令、内容间的映射关系正确无误。去除重复样本、无关内容、错别字、低质量文本。（可以通过dropout优化过拟合问题，而不是混入错误数据让模型学到错误信息，错误数据会提升模型的幻觉率）
（3）数量：LoRA 1k-10k左右， 全参SFT在100k以上。
5.SFT数据集的常见格式
{ "instruction": "计算这些物品的总费用。 ", "input": "输入：汽车 - $3000，衣服 - $100，书 - $20。", "output": "汽车、衣服和书的总费用为 $3000 + $100 + $20 = $3120。" }
{ "instruction":"人类指令（必填）","input":"人类输入（选填）","output":"模型回答（必填）","system":"系统提示词（选填）","history":[["第一轮指令（选填）","第一轮回答（选填）"],["第二轮指令（选填）","第二轮回答（选填）"]] }
偏好数据集： （奖励模型）
{ "instruction": "人类指令（必填）", "input": "人类输入（选填）", "chosen": "优质回答（必填）", "rejected": "劣质回答（必填）" }
图像多模态数据集：
{ "instruction": "人类指令（必填）", "input": "人类输入（选填）", "output": "模型回答（必填）", "images": [ "图像路径（必填）" ] }
……
6.训练参数设置
比较重要的参数如下表：
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
更加详细的参数可以查阅：https://llamafactory.readthedocs.io/zh-cn/latest/advanced/arguments.html
7.模型评测
准确地评估模型在特定任务的表现，可以为后续训练与数据迭代的方向提供参考。所以需要一份优质的数据去评估模型能力。
五、基于强化学习对齐偏好（RLHF）
RLHF(Reinforcement Learning from Human Feedback)，通过人类反馈强化学习进一步微调模型，让模型有更好的泛化能力，并输出更符合人类偏好的结果，是提升模型性能、减少幻觉和有害内容的有效手段。
常见的方法如下：
1.PPO(Proximal Policy Optimization)
通过限制每次策略更新的幅度，保证训练过程的稳定性和高效性。让模型学习到人类偏好的同时，不过于丢失原有能力。
策略模型进行环境采样；SFT参考模型计算KL散度，确保更新策略不出现大变化；奖励模型评价奖励；评论模型/价值模型对每个token的收益进行预估
2.DPO(Direct Preference Optimization)
PPO 需要训练奖励模型，如何构建准确的Reward和Value Model是一个难题，直接影响强化学习的效果。DPO直接用标注好的人类偏好数据去训练。例如：
[ { "instruction": "人类指令", "input": "人类输入", "chosen": "优质回答", "rejected": "劣质回答" } ]
3.KTO
与DPO类似，但是解决了DPO的chosen和rejected必须成对出现的缺点。例如：
[ { "instruction": "人类指令", "input": "人类输入", "output": "模型回答", "kto_tag": "人类反馈 [true/false]" } ]
4.GRPO
移除对Value Model的依赖，一次生成一堆结果，组内相对优势（模型自己卷），奖励高于平均分的结果。与PPO不同的是，只对最终的结果进行奖励评估，如果过程错误但结果正确，也会获得奖励。
5.训练框架
我们在项目中，使用VERL进行强化学习训练，可以直接参考：
https://github.com/volcengine/verl
6.RL与SFT的区别
1. SFT只需要提供正例数据，告诉模型什么是正确的，让模型学习正确数据的概率分布，这会导致SFT往往记住了很多知识和格式。采样的时候也是基于概率，通过采样参数来控制，挑选出概率大的next token，以此来排除概率小的“错误”token。
2. RL可以提供正负反馈，明确告诉模型哪些是错误的，更有利于提升模型的泛化能力。
https://arxiv.org/pdf/2501.17161
3. SFT需要更多的标注数据，RL可以通过固定的规则奖励（例如math 和code只需要判断最终结果）与奖励模型提供的正负反馈不断迭代，让模型自己探索符合人类偏好的回复策略，可以减少训练数据的要求。
4. SFT是针对Token级别的反馈，而RL是针对整个答案文本的评价。
六、思维链（Chain-of-Thought）与推理增强
COT是一种用于提升大语言模型（LLM）推理能力的提示工程（Prompt Engineering）方法。其核心思想是：在模型生成答案时，不是直接输出最终结果，而是引导模型像人类一样，分步骤地展示推理和思考过程，逐步推导出答案。
人类在回答问题的时候，有些常识性问题，可以直接回答出来，而有些复杂的问题，可以经过思考和推理以后，再给出最终的答案。与人类一样，模型也可以模拟这个过程，输出慢思考的中间过程，让模型产生反思能力，提高最终答案的准确率，尤其是在复杂推理、数学、逻辑等任务上，可以有效的减少幻觉。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
小尺寸模型效果有限，可能会不断输出错误内容 |
在早期项目落地时，主要是靠prompt去引导模型输出中间过程，现在已经有很多带think能力的模型。 我们在项目冷启动的时候，如果需要制造COT数据，可以直接通过已有模型进行蒸馏，或者仍然使用prompt进行引导，让模型输出业务需要的数据。也可以通过规则奖励，激发RL自行产生慢思考的数据，收集评分高的数据不断迭代模型。z
之前我们通过RL，增加推理过程提高了文档问答的效果，具体可以参考：https://km.woa.com/articles/show/622575
七、Agent / Workflow
前面提到的所有方案，目标都是为了提升单次LLM任务的准确率。但在实际业务中，很难通过一次LLM调用将所有问题解决。这时候搭建一个多Agent协作的系统就非常有必要。
LLM Agent 是指以大语言模型为核心，具备自主感知、决策、规划和执行能力的智能体系统。它不仅能理解和生成自然语言，还能根据环境反馈和任务目标，动态调用工具、检索信息、执行代码、与外部系统交互，完成复杂任务。
Agent可以将复杂的任务拆解为子任务，通过调用工具来逐步完成。但是在落地的时候，我们可以完全让模型+FunctionCall来驱动；也可以搭建Workflow，在关键位置引入LLM强大的语义理解能力和规划能力。前者更加灵活，后者更加准确。
虽然我们采用Workflow的方式，但是通过一些工程手段，在提升任务准确率的前提下，依然没有丢弃LLM的规划能力和灵活性。下面简单介绍一些落地经验：
1. 全局planning，让LLM在制定计划的时候，有大局观，直接生成全局计划而非一步一步的生成，可以提高问题解决率，减少LLM生成后续步骤的时候，忽略前面的任务。
2. 完全由LLM决定如何解决问题，以及调用什么工具，而不是写死每个步骤。并对中间结果进行摘要，缩短上下文。
3. 引入reflection机制，让模型深入思考和研究每个步骤的解决情况。
4. replan，前面的步骤的结果可能影响后续的步骤，不断的重新制定下一步计划，并review 全局计划，进行调整。
5. 复述任务，并将重要的信息放到prompt末尾。随着上下文越来越长，对于一些能力一般的模型来说，可能顾及不到所有信息，需要将重点进行重复，并放到最接近输出的位置。
6. 不同的步骤可以尝试不同的模型，有些简单任务可以用小尺寸模型，有些复杂任务需要大尺寸模型。灵活构建。
7. 尽量少使用few shot example，除非LLM实在解决不了。 example会导致模型输出总是倾向于你给的示例，丧失多样性。如果实在要给例子，可以构造具有多样性的示例。
8. 尽量将可变信息放到prompt最后，有效利用kv缓存。
结语
随着大语言模型在各行各业的广泛落地，幻觉问题已成为影响其可靠性和实际价值的核心挑战。本文系统分析了LLM幻觉产生的原因，评估了其优缺点，并从Prompt设计、RAG检索增强、采样参数、SFT监督微调、强化学习、思维链推理、Agent Workflow等多个技术路径提出了针对性的优化方案。可以预见，未来LLM的幻觉治理将是一个持续演进的过程，需要模型架构、数据、算法、工程实践的多维协同。只有不断完善技术手段，提升模型的事实一致性和推理能力，才能真正释放大语言模型在实际应用中的潜力。
参考文献
https://arxiv.org/pdf/2106.09685
https://arxiv.org/pdf/2304.13785
https://arxiv.org/pdf/2501.17161
https://openlmlab.github.io/MOSS-RLHF/
https://arxiv.org/pdf/2402.03300
https://llamafactory.readthedocs.io/zh-cn/latest/getting_started/data_preparation.html
