RAG系统虽能增强事实依据，但其特有的幻觉问题仍是挑战。本文系统梳理了RAG的六类幻觉根源，并提出贯穿检索与生成全流程的四阶段缓解策略。此外，还深入探讨了科研文生图领域的两种主流技术路线及其在精准度与表现力上的权衡，为解决AI生成内容的科学性与准确性问题提供了宝贵参考。
智能速览
RAG系统存在六类特有幻觉，需针对性解决。
缓解幻觉需贯穿查询优化、参考识别、提示工程和响应修正四个阶段。
科研文生图有直接画像素和代码生成两种路线，精准度与视觉效果各有所长。
新数据集SciGenBench专门用于评估AI绘图的科学正确性。
使用高质量科学图像微调模型，能显著提升其科学解题能力。
精华内容
要有效解决RAG系统的幻觉问题，首先需要精准识别其类型与根源。一个系统性的分类框架和贯穿全流程的缓解策略，是提升RAG输出可信度的关键。
RAG的六类幻觉
检索增强生成（RAG）系统虽引入外部知识库，但其检索器与生成器的复杂交互会产生六类特有幻觉。这些幻觉根据来源可分为检索器阶段的问题（如信息过时）和生成器阶段的问题（如过度自信）。具体包括：过度自信、过时性、不可验证性、指令偏离、上下文不一致和推理缺陷，每一类都需要特定的方法来应对。
证据质量优化
缓解幻觉的第一步聚焦于提升检索证据的质量。在检索前的查询优化（T1）阶段，可通过添加时间关键词（如SmartBook）来提升信息时效性。在检索后的参考识别（T2）阶段，则通过重排技术筛选出最核心、最相关的参考内容，如DPR（稠密检索）和SELF-RAG，以此从源头解决过时性和不可验证性问题。
内容校准修正
在生成环节，提示工程（T3）和响应修正（T4）是两大关键。T3通过构建结构化提示，引导模型生成更接地的内容，例如VUC添加模糊词缓解过度自信。T4则对生成结果进行校验与修正，如SelfCheckGPT通过多响应一致性校验来检测虚假信息，Self-Refine则进行自我批判和修正，确保输出的准确性。
科研绘图新思路
在科研文生图领域，存在两种主流技术方案。一种是直接画像素，端到端生成图像，视觉表现力强但容易出现科学性错误，如GPT-Image-1.5。另一种是先理解文本并生成代码（如Python），再由代码绘制图形，这种方案（如ImgCoder）在数学和物理关系上绝对精准，但视觉样式相对单一。
评估数据与结论
为科学评估这些方案的优劣，研究团队构建了SciGenBench数据集，涵盖数学、物理等5个学科的1400道题。评估结果显示，代码生成方式在科学正确性上优势明显。更有价值的是，用这些既准确又美观的合成图像去微调大模型（如Qwen3-VL-8B-Instruct），能让模型做科学题的能力得到显著提升（绝对提升3.7分），证明了高质量数据对模型推理能力的重要性。
通过对RAG幻觉的系统拆解和科研文生图的方案对比，可以看到，解决AI的“一本正经胡说八道”和“看似正确实则谬误”问题，需要更精细化的方法论。无论是全流程的归因策略，还是引入代码逻辑确保科学严谨性，都为构建更可靠的AI系统指明了方向。未来，技术准确性与视觉表现力的融合，将是值得关注的方向。
