很多企业上了人工智能以后，碰到同一个问题——智能体老瞎编，答非所问，幻觉怎么都消不掉。
第一反应是换模型，觉得换个更猛的就消停了。
换了，还是老样子。
为什么？因为九成的幻觉，根源不在模型，而是在底层的知识中台。
幻觉到底是个什么
先把幻觉这件事说清楚。
人工智能幻觉，就是模型一本正经地胡扯——答案看着挺专业，其实是现编的。
比如你问人工智能"我们公司的售后政策是什么"，它可能给你杜撰一套看起来挺合理的规矩，可这些规矩根本不是你们公司的，是模型从通用知识里东拼西凑来的。
放在企业场景里，这种幻觉是要命的。
员工没准真信了，照着人工智能给的"假政策"去办，出了事谁来兜？
所以企业用人工智能，头一个要摁住的，就是幻觉。
为什么换模型没用
很多人的逻辑是，模型不够强才幻觉，换个更猛的就行。
这个逻辑只对了一小截。
模型确实有差异，有的幻觉率高，有的低。但纯大模型加检索增强这套架构，最高准确率也就九成上下，统计意义上不存在零幻觉。
而且就算换上最猛的模型，底下的知识如果本来就是错的、过期的、自相矛盾的，模型再猛，也只能输出错误答案。
垃圾进，垃圾出，换什么模型都改不了。
图博数智在项目里碰过无数次——客户说人工智能老幻觉，查一圈，模型没毛病，问题全在底层的数据。
九成的原因，全在知识中台
幻觉的真正根源，在底层知识的质量。
一种是知识缺——该有的知识系统里没有，人工智能找不到，只能编。比如员工问某个产品的售后政策，系统里压根没存这条，人工智能只能从通用知识里蒙，蒙错的概率极大。
一种是知识旧——系统里存的是老版本，人工智能按老版本答，可实际政策早变了。
一种是知识打架——同一个问题，系统里躺了好几个不同版本的答案，人工智能不知道信哪个，闭眼挑一个，碰运气。
还有一种是知识散——知识没有结构化、没有分类、没有标签，人工智能在一堆乱糟糟的文档里摸不到那条准的，只能模糊匹配，匹配到的多半不是最优解。
这四种情况，哪个跟模型有关？
一个都没有。
全是底层知识中台的问题。
知识中台怎么从源头治幻觉
原因清楚了，解法就明白了。
知识缺的，做全量梳理。把企业高频问题对应的知识一条条补齐，不能留窟窿。窟窿在哪里，幻觉就在哪里冒。
知识旧的，上全生命周期管理。每条知识标好生效日、失效日，过期的自动打标，员工问的时候系统知道这条不能用了。
知识打架的，做冲突治理。同一个问题只能留一个权威答案，其他版本要么合并、要么标成历史版本，不能让人工智能在矛盾里掷骰子。
知识散的，上结构化治理——分库、分块、术语统一、元数据标注、权限隔离。让人工智能不是在一堆文档里碰运气，而是在一套治理过的知识体系里精准检索。
这四步，不是技术活，是管理活。最难的部分往往不是配工具，是陪着业务团队把这套知识治理的工作一点点抠扎实。
数据治理才是人工智能项目的大头
行里有个共识，人工智能项目的成本大头不在模型。
大头花在哪？花在数据治理和反复调优上，留给模型本身的那块其实小得很。
可很多企业把九成精力砸在选模型、调参数上，数据治理这块根本没人碰。
这就好比盖楼，九成精力花在挑外墙颜色上，地基没人打，楼能不塌吗？
人工智能幻觉就是这么来的——不是模型不行，是地基没打牢。
消除幻觉的正确顺序
企业人工智能智能体的幻觉到底怎么整：
第一步不是换模型，是查底层的数据——看看知识库全不全、准不准、新不新、有没有冲突。
第二步是做知识治理——分库、分块、术语统一、元数据、权限、全生命周期，一套走下来。
第三步才轮到调模型——在干净的知识底子上，优化检索和生成策略。
顺序反了，在烂地基上怎么调模型，都是白费劲。
图博数智帮企业搭知识中台，前期最耗时间的从来不是配工具，而是陪客户把知识治理的活一点点抠扎实。配工具反而是最快的一步。
地基打牢了，幻觉自然就消下去了。
本文资料整理与文字校对使用了人工智能辅助，内容已由作者复核。
