学习内容
AI 幻觉（Hallucination）指大模型输出流畅、自信、看似正确，但实际是错误或编造的内容。比如编造不存在的论文、错误的法规条款。
本质是"预测下一个词"的机制：模型追求"像人说的话"，而不是"事实正确"。当训练数据里没有答案时，它不会说"不知道"，而是顺着语境编一个。
法律意见：引用不存在的法条。
医疗建议：给出错误剂量。
学术引用：编造文献来源。
企业决策：基于错误数据分析。
交叉验证：重要事实用搜索引擎核对。
要求来源：让 AI 给出可验证的依据。
用 RAG：接知识库，让回答有出处。
拆分提问：复杂问题拆开问，降低出错率。
问：幻觉能完全消除吗？
答：目前不能，只能降低概率和影响。
问：越大的模型幻觉越少吗？
答：整体趋势是这样，但不绝对，具体任务差异很大。
AI 幻觉是大模型的固有局限：它追求"像"，不保证"对"。用好 AI 的关键，就是知道什么时候该信任它、什么时候必须人工核实。
继续学习
AGI（通用人工智能）是所有 AI 公司的终极目标。本文讲清 AGI 与当前 AI 的区别、发展阶段与争议。
微调让通用大模型适配特定业务。本文讲清微调原理、方法与 RAG 的取舍。
RAG（检索增强生成）解决大模型知识过时与幻觉问题。本文讲清原理、流程和适用场景。
AI 工具与传统软件的本质区别在哪里？本文从工作方式、结果可控性等维度给出判断框架。
大语言模型（LLM）是 ChatGPT 等 AI 助手背后的核心技术。本文用通俗语言讲清 LLM 是什么、怎么训练、能做什么、不能做什么。
智能体工作流是让 AI 自动化完成复杂任务的编排方式。本文讲清常见模式与落地场景。
