如何通过构建 RAG 知识库有效降低 LLM 在生成代码时的幻觉问题

很多开发者在用 AI 写代码时最崩溃的瞬间，就是 LLM 用一个在 v2.0 版本就被废弃的 API 语法一本正经地忽悠你，结果代码跑起来直接报 undefined。这种幻觉本质上是因为模型训练数据的截断，而 RAG 能强行把“正确答案”拍在模型的上下文窗口里。

我目前最稳的一套实战链路是：Markdown 结构化文档 → 向量化检索 → 注入 Context。

具体操作步骤：

1. 准备高质量的知识片段
不要直接把整个 PDF 或 HTML 丢进去，AI 检索时容易断章取义。我会用脚本把官方文档转成这种格式：

# API: UserAuth.login
- Version: v3.1
- Parameters: { username: string, password: string }
- Return: Promise<AuthToken>
- Example: `const token = await UserAuth.login('admin', '123456')`
- Note: 必须在调用前初始化 Config 模块，否则报 401 错误。

2. 配置 Cursor 的 Context 索引
在 Cursor 的 Settings → Features → Docs 中，直接添加第三方文档 URL。如果文档是私有的，我会把 Markdown 文件放在项目根目录的 .docs/ 文件夹下，然后在 .cursorrules 中显式指定：

When writing code related to the Authentication module, always refer to the files in .docs/auth_api.md to ensure the method signatures are correct.

3. 强制模型在生成前执行“自检”
为了防止 AI 偷懒不看文档，我在 System Prompt 里加了一段约束：

Before generating any code using the internal library, you must first search for the relevant API definition in the provided context. If the context contradicts your internal knowledge, the context takes absolute priority.

踩过的坑：
最坑的一点是“检索噪声”。如果你的知识库里同时存在 v2 和 v3 的文档，RAG 经常会把两个版本的代码片段同时检索出来，导致 AI 产生混乱，写出一种“缝合怪”代码。解决方法是建立严格的版本目录，并在检索词中强制加入版本号，或者直接物理删除旧版本文档。

效率提升点：
这套方案实施后，我处理私有框架代码的 Bug 修复速度提升了快一倍。以前需要反复在 IDE 和内部 Wiki 之间切屏对比参数名，现在直接 @docs 就能让 AI 帮我检查 API 调用是否对齐，彻底解决了那个该死的“幻觉”问题。