直接回答：幻觉的成因主要有三类：训练数据本身有噪声或过期，模型把"听起来合理"当作"事实"；自回归生成本质是概率采样，没有真值校验机制；指令微调让模型倾向于"总是给出回答"而不是承认不知道。工程缓解要分层面做：数据侧用 RAG 把事实依据实时注入上下文；生成侧约束输出必须带引用、降低采样温度；校验侧用规则或二次模型调用核对关键事实。

展开解析：具体手段按性价比排序：第一，RAG + prompt 明确"仅依据资料作答，资料没有就说不知道"，这是知识问答场景的基线；第二，要求模型输出引用编号，引用可直接程序校验是否存在，还能给用户溯源；第三，temperature 调到 0~0.3，事实型任务别用高采样；第四，关键字段做结构化输出加 schema 校验，数值类结论可用"让模型先摘录原文再总结"的两步链；第五，高风险场景加自检环节（self-check：让模型逐条核对答案与资料是否一致）或人工审核兜底。要接受幻觉无法根除，只能按业务风险分级管控——医疗、金融场景必须有人审环节。

追问方向：RAG 为什么也不能完全消除幻觉？什么是对齐税？如何用评测集量化幻觉率？

（约 450 字）