别再把 RAG 的所有胡说八道都叫“幻觉”了，其实大部分是提取错误。

很多时候模型明明读到了上下文，但给出的答案不对，这在逻辑上根本不是幻觉（Hallucination），而是提取（Extraction）环节翻车了。定义不清就没法针对性优化，如果你发现模型在 RAG 链路里总是莫名其妙地跑题或遗漏关键点，大概率是生成契约（Generation Contract）没定好。

想要强迫模型“老实”点，可以尝试这几种强类型约束的模式，尤其是对那些参数量较小的模型，直接让它生成复杂答案很容易崩，得用分解规则。

这里分享几个实操中能压制错误生成的逻辑：

• 严格类型定义： 在 Prompt 中明确要求输出格式（如 JSON 或特定 Schema），强制模型在提取时进行类型对齐。
• 分步提取分解： 别让模型一步到位。先让它把相关片段原封不动地摘录出来，再基于摘录进行总结。
• 否定约束： 明确定义“未找到”时的标准响应，防止模型为了完成任务而强行脑补。

如果是在做企业级文档智能，建议把生成过程拆解成：检索 -> 关键信息提取 -> 答案组装。这样一旦出问题，你可以一眼看出是检索没搜到，还是提取的时候把信息弄丢了。

具体的 Prompt 约束可以参考这种结构：

# Generation Contract
- Extraction Source: [Context]
- Required Fields: {field_1: string, field_2: boolean}
- Constraint: If information is missing in [Context], return "N/A" for that field.
- Process: 1. Quote evidence -> 2. Map to field.