Agentic RAG 如何降低大模型幻觉？

1. 幻觉问题的根源

大语言模型产生幻觉（Hallucination）的主要原因包括：训练数据存在知识截止日期、模型在缺乏相关信息时倾向"编造"答案、单次检索可能未召回关键信息。Agentic RAG 通过多重机制系统性地降低幻觉。

2. 基于证据的答案生成

Agentic RAG 要求答案中的每个关键声明都必须有检索到的文档作为支撑：

• 引用强制：生成答案时必须标注每条信息的来源
• 忠实度检查：由评估器逐条验证答案中的声明是否与检索上下文一致
• 拒绝机制：当检索上下文不足以支撑可靠答案时，明确告知用户信息不足，而非猜测

3. 迭代验证循环

通过多轮检索和验证，Agentic RAG 确保答案建立在充分且可靠的信息基础上：

• 首次检索不完整→改写查询再次检索
• 来源间存在矛盾→从权威来源进行交叉验证
• 答案草稿包含无据声明→触发补充检索或修改表述

4. 生产环境中的效果

行业实践表明，配备忠实度评估器的 Agentic RAG 系统比经典 RAG 的幻觉率更低，因为每个声明在输出前都经过验证。但需要注意：未配备自我检查机制的 Agentic RAG 反而可能比经典 RAG 幻觉更多，因为更多的检索轮次增加了模型"迷失"的机会。关键在于必须配备忠实度评估器（faithfulness judge）作为质量门控。