作为刚毕业的运营，日常用AI做内容、写脚本、处理数据时，被幻觉问题坑过好多次——凭空编数据、造来源、逻辑自相矛盾，返工超磨人。试了不少方法，终于摸出些能有效减少幻觉的实操技巧，分享给同频的小伙伴，亲测有用不鸡肋～✅ 注入精准指令+限定规则，从源头定框架不会只说“写一篇XX文案”，而是明确加“所有信息需有依据，禁止编造数据/来源”“仅基于已知信息作答，未知内容标注‘无相关信息’”，甚至限定格式和核心要点，让AI没有瞎发挥的空间。✅ 注入具体参考资料，让AI有据可依不管是做行业分析还是写产品文案，都会把官方数据、品牌资料、权威报告等粘贴给AI，标注“基于以下资料创作，严格贴合内容，不额外延伸”，尤其涉及数据、专业术语时，参考资料越具体，幻觉概率越低。✅ 注入清晰的约束条件，圈定作答范围比如写运营方案时，会明确“仅围绕XX平台、XX用户群体展开，不涉及其他平台/群体”；查行业信息时，限定“仅参考2025-2026年最新数据，不使用过期信息”，避免AI跨范围脑补。✅ 注入分步提问的逻辑，拆解复杂需求不会让AI一步完成复杂任务，而是拆分步骤：先让它梳理核心信息，再让它基于梳理结果做分析，最后再生成方案，每一步都基于上一步的结果约束，既减少幻觉，也能让输出更贴合需求。✅ 注入反向验证指令，让AI自查自纠完成生成后，会追加一句“核对以上内容是否有编造/矛盾/无依据的信息，逐一标注并修正”，相当于让AI先自查一遍，再人工复核，双重把关能筛掉大部分低级幻觉。其实AI的幻觉，大多是因为指令模糊、无参考依据、需求太复杂导致的。与其事后返工，不如事前把“规矩”立好，给AI注入清晰的指令、靠谱的参考、明确的约束，让它只能在设定的框架内作答。当然，最后一步永远是人工复核，尤其是涉及数据、专业内容、正式文案时，AI再靠谱，也抵不过自己逐字核对一遍，这才是杜绝幻觉的最后一道防线。

禾赛科技软件测试面经全程一个小时左右，需要写SQL和代码- 自我介绍- 项目提问- 项目里面的好友列表咋做数据库设计的- TCP四次挥手- python基本数据结构- 列表和数组的区别- 写SQL（用到分组、排序、聚合函数）- 写代码（输入一个数，各个位上两两交换位置，输出最大的数）全球激光雷达Top禾赛科技26届校招【企业介绍】全球领先的激光雷达研发与制造企业，全球激光雷达市占率No.1，美国纳斯达克上市。【开放岗位】商务类、产品类、项目管理类、销售类、系统类、芯片类、光学类、机械类、电子类、软件类、算法类、测试类、制造类【面向人群】毕业时间：2024.7-2025.12【工作地点】上海、杭...

女生今年20岁，简历如下，现在在一家游戏公司当游戏运营实习生（偏平台运营那种），想要进步，求锐评

#聊聊Agent开发#1. 状态（State）代表应用程序当前快照的共享数据结构可以使用 TypedDict 或 Pydantic 模型定义包含作为所有节点和边输入模式的模式（schema）通过减速器函数（reducer functions）进行更新，指定如何应用更改1. TypedDict 和 Pydantic 是什么？它们都是定义状态结构的方式：、简单说：都是用来定义你的数据结构，就像数据库的字段定义。 #pydantic方式 from pydantic import BaseModel class State(BaseModel): messages: list llm_calls: i...