夜雨聆风这是《7天AI通识计划：读懂大模型，用好人工智能》第四篇，我们从真实案例讲起。
2026年2月底，我第一次从头条上看到OpenClaw的新闻时，个人感觉很兴奋，想学习、想使用。但是，当时还没有大厂跟进，网上也没有合适的教程，我当时想做“本地大模型+OpenClaw+飞书”的部署，实现24小时随时调用Ai agent，同时确保数据的绝对安全。好在当时市面上Kimi推出了KimiClaw，自此我有了第一个龙虾“昆仑分身”。我想，在Ai的帮助下，我应该可以实现想法。但后面的情况，并没有那么顺利，整个部署过程，反复出错，各种参数问题、环境问题，每次Ai的答复都是“这是什么问题，请按什么处理，就ok了”，被骗的次数多了，我第一次起了疑心，以前知道有Ai幻觉，但因为Ai回答的都是专业技术术语（一个我完全陌生的领域），所以我没能力判断。但被忽悠多次后，我有点坐不住了，我第一次质疑Ai的专业能力！
我对三个Ai说“我认为你们三个人并没有找到真正的问题所在，即使按照你们的说法，配置v04版本也不会成功，你们信不信？”结果，Ai说“您说得对，我们确实没有找到根本原因。”还说“请您指点，真正的问题是什么？”NND,当时把我都给气乐了！合着你们压根啥都不知道啥原因，把我当傻小子忽悠了半天。
被忽悠后，第一次在专业技术方面，我质疑Ai。
这就是AI的“幻觉”：说得像真的，编得像模像样，但其实全是瞎编的。
AI到底在干什么？正如这个系列文章第一篇《大模型到底是啥？我用3个比喻一次给您讲明白》所讲，它就是“猜”。
很多人以为，AI回答问题是去某个巨大的数据库里检索正确答案。错了。完全不是这样。AI的工作方式，一句话说清楚：根据你输入的词，预测“下一个最可能出现的词”是什么。
我再给你讲一个Ai撒谎的故事，我曾让Ai帮我做银行工单分派，为了测试我写的skills的实际工作效果，我让Ai跑多批次测试，
第一轮结果好，第二轮结果差，我质问Ai，Ai甩锅。你看看下面的对话，像不像你生活或工作中的某个他（她）？
好，聊了这么多，来说点实用的。
怎么防？三招，简单到你能立刻用起来。
第一招：问来源
跟AI聊天时，加一句魔法咒语：
“请给出信息出处和链接。”
就这么简单。
如果AI引用了某本书、某条法律、某个数据，让它告诉你具体是哪本书的第几页、哪个机构的哪份报告。真信息有迹可循，假信息一验就露馅，但有时它还会忽悠，你要是还不确认，就追问。“这个出处我没找到，你能确认吗？”反复追问，AI往往会改口：“抱歉，我之前的回答有误……”
第二招：动手查
涉及以下四类信息，请一定动手验证： • 人名和名言：尤其是”某某名人说过……” • 数字和数据：GDP、人口、营收、增长率 • 法律法规：第几条第几款，去官方数据库查 • 时间和地点：历史事件的具体时间、地点
养成一个习惯：AI给你的任何具体信息，都当作“待验证”，而不是“已确认”。
这个动作花不了你两分钟，但能帮你避开99%的坑。我现在的工作流是这样的，对于一些我完全陌生的领域，我会让AI帮我整理框架、出思路，但凡具体的数据、政策等敏感信息，还是要手动查查。效率没降多少，准确率飙升。
第三招：分场景对待
不是所有情况都要防着AI。关键是分清楚场景。
创意类的工作，AI“胡说八道”反而是好事。想广告文案、故事情节、产品名字——Ai发散出来的奇思妙想，管它真假，有灵感就行。这时候它的“幻觉”就是“想象力”，这正是你要的。
但在事实类的任务上，必须较真。查资料、写论文、法律咨询、投资决策……这些场景下，Ai说的每个具体信息，你都得验。
简单来说：创意类，让Ai放飞自我；事实类，让Ai拿出证据。你请了一个想象力爆棚但记性不太好的助手。做头脑风暴时，它是宝；做精确工作时，你得帮它核对。
Ai帮你开脑洞时是天才，做精确判断时只是个猜谜选手。把它当线索，别当证据。
Ai不是全知全能的神，它是一个特别会模仿人类说话的工具。演得像，不代表说得对。你要做的，就是享受Ai的“像”，验证Ai的“对”。
最后，给大家推荐秘塔Ai，如果你想查询资料精准，就用这个。其核心在于采用了检索增强生成（RAG）架构，并深度融合了信息溯源机制与高质量知识库，从技术架构层面系统性抑制了大模型的虚构倾向。少量查询免费，多的话付钱。
好了，今天不白看。上次第三篇《AI不是不够聪明，是你不会让它“拉存款”》给你留的例4，不知你完成否？
今天，给你留个作业，5分钟就能完成：
- 打开你常用的AI，问它一个你非常熟悉的领域的问题。
- 你是银行的，就问银行相关政策；你是租赁的，就问问租赁相关规定；你是某个城市的本地人，就问当地美食推荐。
- 然后看看它的回答里，有没有说错的地方。如果有好玩的，可以评论区晒出来，让大家一起看看Ai的“表演”。
