最难发现的错误，往往不像错误
你让模型推荐一本研究某主题的书，它给出书名、作者、出版社和年份，格式看起来完整。但进一步查询发现，那本书根本不存在，作者也没有写过类似作品。
这类问题危险之处在于可信的外观。信息拼得越完整，读者越容易把表达质量当成事实质量；但细节很多，并不自动意味着细节有依据。
真链接，也可能被错着引用
- 01检查存在
材料是否真实
- 02检查支持
原文是否支持这句结论
假设研究用于说明引用错误，不是任何疗效或研究结论。
为什么会产生没有依据的回答
模型根据训练所得规律和当前上下文生成输出，并不天然具有可靠的事实数据库。缺少信息、材料含糊、错误前提或生成过程中的偏差，都可能导致不准确结果。
模型未必知道自己的答案何时不可靠。要求它“绝对不要出错”不能构成验证机制，自己给自己打高分也不等于外部证据。
链接是真的，引用的结论也可能是假的
假设原文写的是：“这次试验只观察了20个样本，还不能推广到其他情况。”模型总结成“研究已证明这套方法对所有人有效”，并附上真实链接。书名、作者和页面都能找到，关键错误却藏在结论被扩大了。
所以核对可以分成三层：这份材料是否存在，材料实际说了什么，回答有没有保留必要条件。另一种情况是你明确要求编一篇童话，模型写出不存在的城堡，那属于约定好的虚构，并非把假事实当真事实。AI幻觉的问题不在于内容新不新奇，而在于它以事实口吻回答现实问题时，给出了没有足够依据的断言。
把核对变成具体动作
涉及书名时去出版方核实，涉及政策时找原文件，涉及数字时重新计算。引用要检查原文是否真的支持那句话，而不只是链接能打开。
先检索资料再让模型回答，能补充依据，但引用错读或生成错误仍可能发生。你也可以让模型标明资料不足之处，把可验证事实与推测分开，从而更容易找出需要复核的部分。