萃靈 Essevin
你讓 AI 幫忙查香港《僱傭條例》關於年假的規定。它回答得極有條理：第幾條、條文內容、連生效年份都有。你依著條號翻查原文——查無此條。
再試一次，它道歉，然後給出另一個條號。同樣查無此條。
它不是在說謊。說謊需要先知道真相再隱瞞，而它根本不知道自己在編。這個現象叫幻覺（hallucination），是大模型與生俱來的性格。想用好 AI，第一課不是學提示詞，而是搞清楚它什麼時候可信、什麼時候會胡說。
它不是在查資料，是在接下一個字
大模型的工作原理，一句話講完：讀入你的問題，然後一個字一個字地預測「下一個最合理的字」。它的目標由頭到尾只有一個——把句子接得通順、合理、像人話。
留意，是「合理」，不是「真實」。
它像一位讀過極多書、但從不帶書出門的講者：你問什麼，他都憑記憶與語感即席回答。大部分時候，他讀過的書足夠多，答得又快又準；但遇到記憶模糊的地方，他不會停下來，而是憑語感把空白補完——補得流暢自然，語氣與講真話時一模一樣。
香港人應該熟悉這個場景：問一位老街坊「那間茶餐廳在哪裡」，他多半不會說「不記得」，而是很有把握地告訴你「洗衣街轉角」——因為在他的經驗裡，茶餐廳開在轉角，合理。他不是騙你，他是用「合理」代替了「記得」。
幻覺就是這回事：模型用合理填補了真實的空缺，而它自己分不出兩者。
還有一個要命的細節：訓練過程長期獎勵「給出答案」多於「承認不知道」。近年的模型在主動說「不確定」方面有明顯改善，但這個傾向沒有根治——你逼得越緊，它越傾向編一個給你。
六類問題最高危
幻覺不是隨機出現的，它有明確的高發區。以下六類問題，AI 給的答案一律先當「待查證」：
| 高危類型 | 例子 |
|---|---|
| 具體數字與日期 | 價格、統計數字、事件日期 |
| 條文與引文 | 法例條號、書的頁碼、名人語錄 |
| 連結與出處 | 它給的 URL 可以整條編出來 |
| 本地與小眾資訊 | 某間店的營業時間、政府程序細節 |
| 近期事件 | 模型有訓練截止日，之後的事它一概不知 |
| 被逼必須作答的問題 | 「你一定要給我一個答案」 |
規律一句話講完：越具體、越冷門、越新，越容易中招。反過來，講原理、寫文案、整理你提供的資料，它極少出事。
六個防法
一、要求附來源，並且真的去查
請列出每一點的來源。沒有把握的，直接標明「未能確認」。
注意：要求來源，不等於來源是真的——它連來源都能編。這一招真正的作用是縮小查證範圍：它自己標了「未能確認」的部分，通常正是幻覺高發處。
二、把「可以不知道」寫進問題
不確定就直說「不知道」，不要猜。答「不知道」不會被扣分。
簡單一句，效果立竿見影。等於告訴那位即席演講的講者：今天允許留空，不必硬撐。
三、高危資訊換一個模式問
多數 AI 產品都有聯網搜尋功能。涉及近期事件、價格、時效資訊，先開聯網再問——讓它去查，而不是讓它背。未開聯網時，它對「今天」一無所知。
四、餵原文，不考記憶
要它分析《僱傭條例》，就把條例原文貼給它再問。AI 讀你提供的資料，可靠程度遠高於憑訓練記憶作答——前者是開卷考試，後者是即席演講。合約、報告、條款，一律先餵原文。
五、多模型交叉驗證
同一條重要問題，分別問兩個不同公司的模型。兩者答案一致，多半可信；答案有出入，就是明確的查證訊號。兩位互不相識的講者，在同一處講錯同一個細節，機率低得多。
六、反向拷問
得到答案之後，追加一句：
你剛才的回答裡，哪一句最有可能出錯？為什麼？
模型審視自己的輸出時，經常能標出信心最弱的部分——那正是你該優先查證的地方。
三個常見誤區
1. 以為它會上網。 未開聯網功能時，它全憑訓練記憶作答，對近期發生的一切一無所知。
2. 以為語氣肯定等於答案正確。 幻覺的語氣與正確答案一模一樣——「一本正經」正是幻覺的本體特徵，不是可信的訊號。
3. 以為追問能問出真相。 你一質疑，它經常改口——但改口可能只是遷就你，不代表新答案更正確。判準永遠是原文與出處，不是它的態度。
懂它的性格，就是懂分寸
幻覺不是等待修復的故障，是「預測下一個字」這種技術的天性。指望它消失不現實；摸清它的脾氣之後，你自然知道什麼事可以放心交給它、什麼答案要先過一道查證。用 AI 用得好的人，與其說懂技術，不如說懂分寸。
下次它一本正經地給你一個條號，你可以微笑，然後打開原文。
＊本文資料截至發稿日（2026 年 7 月 20 日），僅供一般參考，不構成任何建議；第三方產品之功能、價格與政策，以其官方最新公布為準；Essevin 服務詳情以官網與 console 實際顯示為準。