【项目实训个人博客】数据库解决幻觉问题完成

本项目如何解决大模型幻觉：

一种基于“检索增强生成（RAG）”和“多智能体协作”的综合方法
大型语言模型（LLM）产生幻觉，本质上是因为它们有时会脱离现实依据，仅从其内部参数化的“知识”中凭空捏造信息。本项目的核心思想是通过提供外部的、可验证的、真实的数据源来“锚定”或“接地”（Grounding）模型的创造过程，并设计一套严谨的工作流来确保数据被正确使用。

具体来说，项目采用了以下几种关键技术：

1. 构建本地知识库 (Local Knowledge Base)

这是整个系统的基石。

数据源：系统首先通过 load_promotion_data.py 脚本，将您在 推广/ 目录中提供的多个业务相关的 Excel 文件进行读取和处理。
结构化存储：脚本将这些表格数据转换成结构化的 JSON 格式，并存入一个本地的 promotion_data.sqlite 数据库中。数据库包含两个关键表：Categories（记录数据类别，如产品线、市场活动等）和 DataItems（存储与该类别相关的具体数据行）。
优势：这样做的好处是，模型不再依赖其内部可能过时或不准确的知识，而是有了一个为当前任务量身定制的、准确的、可随时查询的“事实库”。

2. 检索增强生成 (Retrieval-Augmented Generation, RAG)

拥有数据库只是第一步，关键在于如何在恰当的时机，智能地使用这些数据。项目通过在不同阶段（Phase）嵌入RAG机制来实现这一点：

智能数据分类 (TaskDataClassifier 阶段)：当用户输入初始任务（例如，“为XX产品策划一个推广方案”）时，系统并不立即开始创作。它首先进入 TaskDataClassifier 阶段。此阶段会分析用户的需求，并与数据库中的 Categories 进行匹配，智能地识别出哪些类别的数据与当前任务最相关。

针对性数据检索：在后续的特定阶段，如 RecommendationsForPlacement (投放建议案分析) 阶段，系统会使用前一阶段识别出的类别，执行精确的SQL查询，从数据库中只提取强相关的DataItems（数据行）。例如，SELECT row_data FROM DataItems WHERE category = '相关产品类别'。

动态注入提示词 (Prompt Injection)：检索到的数据不会被直接用作最终答案。相反，它会被动态地、结构化地注入到该阶段负责智能体（Agent）的系统提示词（System Prompt）中。例如，在“市场分析”阶段，分析师角色的提示词可能就变成了：“请根据以下最新市场数据：[这里插入从数据库检索到的JSON数据]，为我们生成一份市场分析报告。”

通过这种方式，模型的每一次关键生成，都被引导和限制在真实数据的范围之内，大大降低了产生幻觉的概率。

3. 多智能体协作与反思 (Multi-Agent Collaboration & Reflection)

为了进一步确保生成内容的质量和真实性，项目引入了 camel 框架，创建了一个类似“虚拟公司”的多智能体协作环境。

角色扮演与职责分离：系统定义了多个角色，如“首席执行官 (CEO)”、“产品经理”、“程序员”、“市场分析师”等。每个角色都有明确的职责和指令。例如，“市场分析师”负责基于数据进行分析，“文案策划”负责基于分析结果创作广告语。这种职责分离确保了任务的专业性和专注度。

审查与反思机制：在一个智能体完成其任务后（例如，市场分析师提交了报告），系统会进入“反思 (Reflection)” 环节。此时，另一个更高层级的智能体（如“CEO”或“顾问”）会审查这份报告。它的提示词中会包含原始报告和这样一个问题：“你觉得上述分析是否正确？请基于事实进行判断和修改。” 这种对抗性的审查机制为发现和修正幻觉提供了第二重保障。

总结

本项目通过一个三层结构来对抗模型幻觉：

基础层（数据）：建立一个准确、可信的本地数据库作为事实的唯一来源。
执行层（RAG）：通过智能检索，在任务的恰当时机，将最相关的数据注入到提示词中，为模型提供事实依据。
监督层（多智能体）：利用角色扮演和反思机制，对生成的内容进行交叉验证和修正，确保其忠实于数据和任务目标。
这种结合了本地知识库、RAG和多智能体协作的综合方法，构成了一个强大的闭环系统，能够显著抑制大模型的幻觉问题，使其在执行复杂业务任务时更加可靠和可信。