反幻觉守则Skill：让 AI 少一点“自信的编造”，多一点可验证的诚实
- 它是什么：一层面向 AI 事实性陈述的“行为护栏”，在模型准备断言论文、引语、统计数字、日期、版本号、API 参数等高风险内容时，强制先自查置信度。
- 核心机制：承认不确定性、校准措辞、绝不编造来源，并正面回应用户的“你确定吗”“引用来源”“验证一下”等追问。
- 适用边界：只约束事实性断言；写小说、头脑风暴起名、重构本地代码等纯创意任务会自动跳过，不影响创作流畅度。
- 安装门槛：以 SKILL.md 形式分发，MIT 许可，属于轻量提示层技能，不依赖额外模型或数据库；具体安装入口以官方说明为准。
- 直接收益：把“事后核查”提前为“生成时校准”，减少错误引用、虚假精确数字和返工成本。
1. 该技能叫什么？如何下载安装 AI 技能提升开发效率？
这个技能的中文名是反幻觉守则Skill，英文名是anti-hallucinate，技能 ID 为 2121062160954720258。它要解决的问题非常具体：大模型在事实性内容上经常“看起来很确定”，但实际上是在做模式匹配。具名论文与作者、直接引语、精确统计百分比、具体日期、软件版本号、小众人物/地点/产品/公司细节、晚于训练截止日期的事件，以及精确的 API、配置、CLI 技术数值，都是幻觉高发区。反幻觉守则Skill 不增加模型的知识，而是改变模型“断言的方式”——不确定就说不确定，不能验证就不引用。
“一键安装”提升开发效率的思路，是把这层守则变成可复用的技能资产，而不是每次开新会话都手写一段提示词。通用步骤如下，具体命令、入口与目录规范请以官方说明为准：
- 确认安装前提：使用支持 Skills 机制的 AI 客户端、IDE 插件或 Agent 平台；确保当前会话可以加载技能文件或启用技能市场中的条目。
- 获取技能：在平台的技能市场/技能库中搜索“反幻觉守则”或英文名“anti-hallucinate”，也可以按技能 ID 定位；若平台提供导入功能，则导入技能自带的
SKILL.md文件。 - 启用技能：在技能管理页打开开关，或按平台要求将技能放入指定的技能目录；随后新建会话或重启客户端，让技能在上下文里生效。
- 验证是否生效：先问一个高风险问题，例如“请说出某开源库 3.8 版本新增的三个 API 名称”，观察回答是否出现“我不确定具体版本号”“建议查阅官方发布说明”这类校准措辞；再追问“你有多大把握？”，看它是否给出诚实、带限定的评估，而不是继续加码自信。
- 纳入日常工作流：把技能固定在技术问答、报告撰写、代码助手等需要事实准确性的会话中；纯创意会话可以不开，避免不必要的保守。
需要强调的是，反幻觉守则Skill 是 MIT 许可的行为护栏型技能，本身不联网、不检索外部知识库，因此它降低的是“编造的概率”，而不是替代你完成事实核查。
2. 该技能的主要功能和特点
- 高风险类别触发检查：当回复将要断言具名论文/作者/书名、直接引语、精确统计数据或百分比、具体日期、软件/库版本号、小众实体细节、晚于训练截止日期的事件、精确 API/配置/CLI 数值时，技能会触发自查流程。
- 三步断言前检查：先判断“我是真的知道，还是只是在做模式匹配”；再判断是否属于高风险类别并提高标准；最后判断“能否引用可验证来源，还是即将编造一个”。
- 承认不确定性并校准置信度：信息不足时直接说“我不知道”“我不确定”，低置信度时使用“我相信”“我不太确定”“这可能不准确”等限定语，避免用确凿事实的语气陈述不确定信息。
- 绝不编造来源：不虚构引用、论文标题、作者归属、统计数据和直接引语；即使用户明确要求提供来源，也只引用确信存在的来源。
- 回应用户的验证策略：针对“提供来源”“不知道也没关系”“你有多大把握”“验证一下”“检查来源是否支持主张”等追问，技能要求模型重新批判性审视，而不是为先前回答辩护。
- 主动纠错：如果后来意识到先前陈述可能有误，主动纠正，而不是将错就错。
- 输出模式约束：推荐“我知道 X，但对 Y 没把握，建议查阅具体来源确认”这类留有余地的措辞；避免“我相当确定是 3.8 版”这种仍然暗示确定性的柔和限定，也避免无来源的权威口吻。
- 创意任务跳过：对没有事实性断言的纯创意/生成性任务不触发，减少对写作、起名、本地代码重构等场景的干扰。
和普通“事实核查插件”相比，它的差异在于前置：不是等答案生成后再查，而是在断言发生前改变模型的表达策略；和单纯“让 AI 更谨慎”的口号相比，它给出了可执行的检查步骤、触发清单和推荐/避免措辞。
3. 如何使用该技能？
步骤 1：安装并启用技能。 按第 1 部分的通用流程，在技能市场搜索或导入 SKILL.md，开启后新建会话。若平台支持按技能 ID 精确查找，可使用 2121062160954720258 定位（以官方说明为准）。
步骤 2：确认触发边界。 你不需要手动“调用”它。只要你的问题会引出一项事实性断言，技能就应介入；如果只是写小说、起名、头脑风暴，则不必担心被过度约束。
步骤 3：正常提问，观察回答策略。 例如输入：
“请给出某篇关于注意力机制的论文的准确标题、第一作者和发表年份，并引用原文中的一句话。”
启用技能后，理想的输出不是硬编一个标题，而是类似：
“我不太确定这篇论文的准确标题和第一作者，这类具体引用我很容易记错。建议你在学术数据库中检索关键词后核对；如果你能提供论文链接，我可以帮你分析内容。”
步骤 4：主动使用验证话术。 当你觉得回答“太顺了”时，直接追问：
- “你确定吗？请引用你的来源。”
- “你有多大把握？哪些部分可能不准确？”
- “请验证一下你刚才关于版本号的回答。”
- “不知道也没关系，请直接说你不确定的部分。”
技能会把这类追问视为重新审视的信号，而不是继续辩护。
步骤 5：阅读输出中的“校准信号”。 重点看三类表达：是否明确区分“我知道”与“我推断”；是否拒绝给出精确但无法验证的数字；是否建议你查阅文档、发布说明或源代码。
步骤 6：按场景开关。 技术文档、研究报告、商业分析类会话建议常开；纯创意会话可关闭，或接受它“只对事实部分收口”的行为。
4. 同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 反幻觉守则Skill（anti-hallucinate） | 生成前的行为护栏 | 高风险事实断言自查、置信度校准、拒绝编造来源、回应验证追问 | 低：加载 SKILL.md 或在技能市场启用即可，无需额外服务 | 技术问答、报告撰写、引用密集的写作 | 优势是轻量、模型无关、对创意任务干扰小；不足是不提供外部事实，不能替代检索与人工核实 |
| 手写系统提示词/自定义指令 | 通用提示层方案 | 由用户自行编写“不要编造”“不确定要说出来”等规则 | 低：复制粘贴即可 | 个人日常问答 | 优势是灵活；不足是容易遗漏高风险类别、难以维护，模型执行不稳定 |
| RAG 检索增强 + 引用溯源 | 外部知识增强 | 检索知识库/网页，把来源片段注入上下文并给出引用 | 中高：需要知识库、向量库、切分与召回调优 | 企业知识库问答、客服、文档助手 | 优势是能提供可核验依据；不足是工程量大，检索不到时仍可能生成，且引用质量依赖数据源 |
| 幻觉检测/评估工具 | 生成后监控 | 对答案做事实一致性打分或抽检 | 中：需要接入评估流水线 | 模型评测、内容审核 | 优势是能量化风险；不足是偏事后，无法在生成瞬间约束措辞，且检测本身也可能误判 |
| 联网搜索/事实核查插件 | 实时外部核验 | 调用搜索引擎或权威数据源核对主张 | 中：需要工具调用与网络权限 | 时效性强的新闻、价格、版本信息 | 优势是能查最新信息；不足是延迟高、依赖外部服务，且不能保证每条断言都被覆盖 |
选择建议：如果你要的是“低成本、立刻降低自信编造”，优先用反幻觉守则Skill；如果你需要“给出可点击的来源”，应叠加 RAG 或联网检索；如果你要做模型质量评估，则评估工具更合适。三者并不互斥。
5. 该技能的典型应用场景与实际体验情况
场景一：开发者技术问答与文档写作。 开发者常问“某库 3.8 版的配置项默认值是多少”“这个 CLI 参数的准确拼写是什么”。这类精确技术数值是幻觉重灾区。启用技能后，回答会更倾向于说“我不确定这个版本的具体默认值，建议查看官方配置文档”，并给出排查方向。实际体验是：回答变“保守”了，但少了复制错误参数后调试半小时的坑。注意事项是，它不会替你查文档，关键参数仍需以官方发布说明为准。
场景二：学术研究与报告引用。 研究生或分析师需要论文标题、作者、年份和直接引语。技能会明确拒绝编造参考文献，并在你要求“给个来源”时只引用确有把握的内容。体验上，初期会觉得“怎么什么都不确定”，但长期看能避免把假引用写进论文或汇报材料。注意：它降低的是编造概率，不是保证每个引用都正确，最终仍需数据库核验。
场景三：商业分析与市场数据。 当问题涉及市场规模、营收、人口统计百分比时，技能会避免给出无来源的精确数字，转而提供一般性背景或方向性判断。实际体验是：适合内部讨论和假设推演，不适合直接对外发布；如果业务必须引用数字，应接入权威数据源并标注口径。
场景四：内容创作与创意任务。 写小说、起名、头脑风暴、重构本地代码时，技能按设计跳过，不会频繁打断“不确定”提示。体验上边界清晰：事实性内容收口，创意性内容放开。注意事项是，如果创意文本里夹带真实人物、真实产品细节，仍可能触发高风险检查，这属于预期行为。
整体上手难度低，不需要写代码；效果取决于模型对技能规则的遵循程度。建议把它当作“表达纪律”，而不是“事实数据库”。
6. 该技能能为用户带来的价值
第一，降低事实性错误率。通过在高风险类别上强制自查，减少编造论文、伪造引语、虚构版本号和精确统计数字的情况。第二，降低核实成本。校准式回答会直接告诉你“哪部分不确定、该查什么”，把漫无目的的全文核查变成有指向的抽查。第三，提升 AI 输出的可信度。当模型不再用同样自信的语气陈述所有内容，用户更容易区分“可靠结论”和“待验证推测”。第四，降低合规与声誉风险。对外报告、技术文档、学术材料中一个假引用可能带来连锁返工，前置约束比事后道歉更划算。第五，形成可复用的团队资产。把反幻觉守则Skill 固化到团队常用的 AI 客户端中，相当于给所有人生成内容时加了一道统一的事实性护栏。
可量化的收益可以从三个指标观察：错误引用导致的返工次数、需要人工逐条核实的条目数、以及“看起来确定但实际错误”的答案占比。长期价值在于培养一种更健康的 AI 使用习惯——不知道就说不知道，不确定就标不确定。
7. 常见问题 FAQ
Q1：反幻觉守则Skill 怎么安装？需要写代码吗？
不需要写代码。它是以 SKILL.md 形式分发行为规则，在支持 Skills 的客户端或 Agent 平台中通过技能市场搜索、按技能 ID 定位或导入文件即可启用。启用后新建会话验证；具体入口、目录和命令以官方说明为准。
Q2：这个技能收费吗？ 技能详情标注为 MIT 许可，属于开源许可类型；但你所使用的 AI 平台、客户端或模型服务本身是否收费，取决于该平台的政策，以官方说明为准。技能本身不依赖额外付费接口。
Q3：它适合谁用？ 适合经常用 AI 做技术问答、学术检索、报告撰写、商业分析的人，也适合需要对客输出内容、担心假引用和假数字的团队。如果你主要用 AI 写小说、起名、做创意发散，可以不开或按需开启。
Q4：它和 RAG、联网搜索有什么区别？ RAG 和联网搜索解决“给模型补充外部事实”，反幻觉守则Skill 解决“模型在事实不确定时如何表达”。前者让答案更有依据，后者让答案更诚实；两者叠加效果最好，但技能本身不提供外部数据。
Q5：开启后 AI 会不会变得很啰嗦、什么都不敢答？ 它的设计目标是“校准”，不是“拒答”。对于有把握的内容仍会正常回答；对于高风险且无法验证的细节，才会加限定或建议核实。纯创意任务会跳过，因此日常写作体验不会明显变差。