RAG应用中，大模型产生幻觉是常见挑战。这通常源于两个核心问题：一是向量库未能检索到相关数据，导致模型自行编造；二是检索到了错误信息。针对第一种情况，可以通过两种策略有效规避：一是优化系统提示词，二是利用Spring AI框架的特定功能进行精细化控制，从而确保回答的准确性。
智能速览
RAG幻觉主要源于未检索到数据或检索到错误数据。
通过系统提示词可强制模型仅基于知识库回答，无数据时则拒绝。
Spring AI的Retriever Augmentation Advisor提供了更灵活的控制选项。
提升检索精度是解决召回错误的关键，需要进一步优化策略。
精华内容
当用户提问后，向量数据库未能返回任何相关数据，大模型便会依据其固有训练数据“自由发挥”，这是幻觉产生的典型场景。如何在这种情况下进行有效拦截，是确保RAG系统可靠性的第一道防线。
幻觉的两大根源
检索增强生成（RAG）中出现幻觉，主要有两个原因。首先，当用户的查询在向量数据库中未匹配到任何相关内容时，大模型会尝试用其内部的通用知识来回答，而非依赖指定的知识库，这导致了答案的不可靠性。其次，系统可能检索到了错误或不相关的信息，即“召回了噪音”，模型基于这些错误数据生成的答案自然也是不准确的。
提示词直接控制
针对“未检索到数据”这一情况，最直接的解决方法是在系统提示词中加入严格约束。可以明确指示大模型，所有回答必须严格基于提供的知识库内容。如果查询的问题超出了知识库的范围，模型不应自行补充或猜测，而是直接告知用户“无法回答此问题”。这种方法实现简单，逻辑清晰，能快速杜绝模型在信息缺失时的“创作”行为。
框架功能深度利用
在Spring AI框架中，除了直接修改提示词，还可以利用`Retriever Augmentation Advisor`这一增强功能进行更精细的管理。它允许开发者通过设置`filter expression`参数来控制检索行为。例如，可以设置一个表达式，当检索结果为空时，系统会返回一个预设的提示，而不是将问题直接抛给大模型。通过配置`force`模式，系统可以强制性地在检索失败时礼貌地告知用户无法回答，从而实现与提示词方法类似的效果。
两种方案对比
直接设置系统提示词和利用Spring AI的`Advisor`，两种方法各有侧重。提示词方案更加通用和简单，几乎适用于所有大模型，开发者可以快速上手。而`Advisor`方案则与Spring AI框架深度绑定，虽然配置上略显复杂，但它提供了更丰富的控制能力，除了处理检索为空的情况，未来还能扩展更多功能。对于追求简单高效的场景，提示词方案是首选；而对于需要深度定制和功能扩展的复杂应用，`Advisor`则提供了更大的潜力。
