【幻觉缓解算法 - 减少大模型错误生成】第二章 知识增强架构与推理时干预策略

目录第二章 知识增强架构与推理时干预策略2.1 检索增强生成（RAG）的进阶架构2.1.1 基础RAG的局限性分析2.1.2 高级RAG架构设计模式2.1.3 知识图谱（KG）的结构化增强2.2 提示工程与推理控制机制2.2.1 思维链（CoT）的事实性改进变体2.2.2 多智能体事实验证系统2.2.3 不确定性引导的生成控制2.1 检索增强生成（RAG）的进阶架构2.1.1 基础RAG的局限性分析2.1.2 高级RAG架构设计模式2.1.2.1 迭代式RAG：Self-RAG的反思标记与自适应检索决策2.1.2.2 链式检索推理：Chain-of-RAG与Tree-of-RAG的多跳验证架构2.1.2.3 多源证据融合：Provenance的双阶段交叉编码器与证据重排序2.1.2.4 检索-生成协同优化：LLM-AUGMENTER的自动反馈循环与事实性分数迭代修正2.1.3 知识图谱（KG）的结构化增强2.1.3.1 LLM-KG统一框架：从图谱子图检索到提示注入的流水线设计2.1.3.2 知识链（Chain-of-Knowledge, CoK）：规则挖掘、知识选择与试错推理机制2.1.3.3 动态知识适应：异构知识源的结构化/非结构化查询生成与答案统一2.2 提示工程与推理控制机制2.2.1 思维链（CoT）的事实性改进变体2.2.1.1 问题链（Chain-of-Question, CoQ）：子问题分解与强制知识源绑定机制2.2.1.2 验证链（Chain-of-Verification, CoVe）：起草-验证-修订的三阶段自我修正2.2.1.3 自然语言推理提示（CoNLI）：分层假设检验与实体级事实核查2.2.1.4 推理即检索（ReAct）：推理轨迹与外部工具调用的交错生成2.2.2 多智能体事实验证系统2.2.2.1 分层逐步验证（HiSS）：主张分解-子主张验证-置信度聚合架构2.2.2.2 逻辑与因果验证（LoCal）：专业化推理智能体与反事实评估器的迭代一致性检查2.2.2.3 MEDICO框架：多源证据融合（搜索引擎+知识库+知识图谱）的检测-解释-修正流水线2.2.3 不确定性引导的生成控制2.2.3.1 自我一致性检验（Self-Consistency）：采样路径 Divergence 检测与分歧度量化2.2.3.2 自我检查器（SELF-CHECKER）：主张提取-搜索查询生成-多源证据验证的闭环2.2.3.3 基于置信度的拒绝机制：不确定性阈值触发的外部工具调用与知识回退策略第二章 知识增强架构与推理时干预策略非参数化方法通过外部知识集成与提示工程实现幻觉抑制，无需修改模型参数即可在推理阶段介入。这类方法的核心在于将大型语言模型的生成过程与外部可追溯的知识源深度耦合，通过检索、验证与修正的闭环机制约束输出空间。