一个被误读的现象

行业里谈到 AI 幻觉，态度高度一致：这是问题，必须解决。

技术侧投入大量精力做 RAG 检索增强、事实性校验、输出约束。产品侧则是加了各种免责声明——「AI 生成的内容可能不准确，请谨慎参考」。

但如果我们换个视角看呢？

幻觉的本质是什么？是 AI 在不确定时，基于训练数据中的模式「创造」了一个看起来合理的回答。它不是在撒谎——谎言需要意图。它是在「模式补全」，就像你看到一个不完整的句子，大脑自动脑补了后半句。

这不是 Bug。这是 LLM 的核心工作机制。问题不是幻觉存在，而是我们在错误的地方遭遇了它。

两种幻觉，两种处理方式

在实践中，我把幻觉分为两类。

第一类：知识幻觉。 AI 在回答事实性问题时编造了不存在的引用、数据、人名、事件。这种幻觉在产品中是不可接受的，必须被消灭——或者说，必须被「隔离」。

处理方式：不要让 LLM 直接面对知识密集型问题。凡是涉及事实性的输出，都应该走 RAG 管道——先检索，再基于检索结果生成。没有检索结果就不生成，而不是凭空创造。

这类幻觉是纯负面的，没有设计空间。

第二类：创意幻觉。 AI 在生成式任务中产生了超出预期的、富有想象力的输出。比如让 AI 写营销文案，它用了一个你从未想过的比喻。让 AI 画设计草图，它把两个不相关的元素组合在一起产生了惊喜感。

这类「幻觉」恰恰是我们使用 AI 的原因。用户不是为了得到标准答案，而是为了突破自己的思维边界。

这是有巨大设计空间的领域。

交互设计的三个机会点

机会一：让「不确定」可视化

当前大多数 AI 产品对输出不确定性的处理是二元的——要么全部显示，要么全部隐藏。更好的做法是将不确定性分级展示。

比如在 AI 生成的文本中，对高置信度的段落不做标记，对中等置信度的段落用浅色下划线标注「建议核实」，对低置信度的段落主动折叠并提示「这部分我不太确定，展开查看」。

不是替用户做判断，而是帮用户做判断。这是完全不同的设计哲学。

机会二：把「重新生成」变成「探索」

大部分 AI 产品的「重新生成」按钮只是一个功能。用户点了，换一个输出，不满意再点。

但如果把这个交互重新设计呢？不是「换一个答案」，而是「换一个角度」。每一次重新生成，AI 都给出一个提示——「这次我从用户心理的角度来写」，「这次我用了更口语化的风格」，「这次我参考了行业标杆案例」。

用户不是在筛选正确答案，而是在探索可能性空间。每一次点击都是有信息增益的。

机会三：用户纠错 = 最宝贵的训练信号

当用户指出 AI 的输出有错误时，大多数产品的处理方式是：记录日志 → 可能修复 → 用户收到一句「感谢反馈」。

但如果把这个时刻设计成一个微交互呢？用户选中错误片段 → AI 追问「哪部分不对？是事实错误还是表达方式？」→ 用户选择 → AI 即时修正 → 系统记录这个模式用于后续优化。

每一次纠错不是 Bug 报告，而是一次微型的人工标注。用户感受到的不是「AI 犯错了」，而是「我在教 AI 变得更好」。

幻觉容忍度的场景画像

不是所有场景都需要一样的幻觉控制。我梳理了一个简单的判断框架：

  • 高风险决策场景（医疗建议、法律咨询、财务规划）：零容忍。必须走 RAG 管道 + 人工复核。
  • 中等风险参考场景（市场分析、技术调研、学习辅助）：可控容忍。允许 AI 提出假设但必须标注信息来源和置信度。
  • 低风险创意场景（文案创作、头脑风暴、设计探索）：欢迎「创意幻觉」。给 AI 更多自由度，甚至鼓励它产生「不合理的组合」。

关键不是要不要控制幻觉，而是在正确的场景用正确的控制力度。

结语

幻觉不是 AI 产品的敌人。对幻觉的「一刀切」处理方式才是。

好的 AI 产品设计不是让 AI 永不犯错，而是在 AI 犯错时，用户感受到的不是「被骗了」，而是「一起找到了更好的答案」。

行动建议：打开你的 AI 产品，找一个模型最容易出错的场景。不要先想怎么修模型。先想想：如果出错是必然的，这个交互能怎么改，让用户不觉得是出错，而是探索？