把控制大模型幻觉的希望全押在本体上，这是另一种AI认知误区

近年来，随着大模型技术在企业级场景中的深入应用，一个颇具代表性的困境逐渐浮出水面：企业投入大量资源构建了RAG检索系统、知识图谱甚至Agent应用，却依然无法有效控制大模型的幻觉问题。当常规手段屡屡碰壁后，不少团队将目光转向了更「硬核」的解决方案——构建业务本体（Ontology）。在他们看来，只要把企业的核心概念、实体关系、业务规则全部结构化地沉淀到知识图谱中，大模型就能「扎根」于真实业务语境，幻觉自然会迎刃而解。然而，这种将本体视为「银弹」的思维，本质上折射出对AI系统复杂性的认知不足。

Agent场景下的五类幻觉

要理解本体为何无法独挑大梁，首先需要对Agent场景下的幻觉类型进行系统分类。业界常见的幻觉问题至少可以划分为五个维度：

本体的「腐化」风险：披着结构化外衣的更危险幻觉

第一类是检索幻觉，源于RAG系统返回的文档片段存在错误或缺失，导致大模型基于错误素材进行作答；第二类是关系幻觉，指大模型自行「脑补」业务实体间的关联，而这种关联在事实层面并不存在；第三类是推理幻觉，发生在多跳推理场景中，随着推理链路延伸，语义逐渐漂移，最终导出弱关联甚至无关的结论；第四类是口径幻觉，即同一业务指标在不同部门存在不同定义，Agent未能识别这种差异，直接给出了不符合用户预期的答案；第五类是生成幻觉，属于大模型在生成环节的概率性「胡说」，如凭空捏造不存在的法规条文或供应商名称。 本体能够有效应对的，主要是关系幻觉和推理幻觉——前者因为本体中预定义了明确的实体关系边界，大模型无需自行猜测；后者因为本体的结构化路径为多跳推理提供了更可靠的上下文。然而，对于检索幻觉，本体无能为力，这属于检索工程层面的问题；对于口径幻觉，本体只能提供有限帮助，前提是将指标定义完整地挂载到本体上；对于生成幻觉，本体的作用更为有限，至多通过提供更精准的上下文间接降低概率。综合来看，本体能够覆盖的幻觉类型，大约只占全部问题的四成左右。

「展示型」本体与「消费型」本体的本质差异

更值得关注的是，即便企业成功构建了高质量的本体，这张「蓝图」也并非一劳永逸。业务环境始终处于动态变化中——新产品上线、旧供应商淘汰、组织架构调整、考核口径变更，这些都会导致本体的时效性逐渐丧失。一个三个月前构建的实体或关系，可能在今天已经不再适用。而过时的本体一旦被Agent消费，会产生一种特别棘手的幻觉：Agent会以「图谱推理路径」作为背书，给出看似有理有据、实则错误的结论。 这种幻觉之所以更加危险，是因为它披上了「结构化推理」的外衣。裸大模型编造的答案，用户往往能凭直觉判断其可信度；但经过本体「加持」的结论，由于具备了推理过程和路径支撑，用户反而容易放松警惕，误以为「有图谱支撑应该不会错」。这正是本体腐化带来的最大隐患——它不是在消除幻觉，而是在为幻觉披上一层更难识别的伪装。

回归系统思维：幻觉治理的五块拼图

如有侵权，请联系删除。