減少LLM幻覺的五大技巧和方法 原創
本文介紹了使用LangGraph減少LLM幻覺的簡單技巧。
如果你使用過LLM，就知道它們有時會產生幻覺。這意味著它們生成的文本要么毫無意義，要么與輸入數據相矛盾。這個常見的問題可能會損害基于LLM的應用程序的可靠性。
我們在這篇文章中將探討一些簡單的技巧來降低產生幻覺的可能性。遵循這些技巧，你有望提高AI應用程序的準確性。
幻覺有多種類型：
- 內在幻覺：LLM的響應與用戶提供的上下文相矛盾。響應在當前上下文中是錯誤的，而且這種錯誤是可驗證的。
- 外在幻覺：LLM的響應無法使用用戶提供的上下文加以驗證。響應可能是錯誤的，也可能不是錯誤的，但我們沒有辦法使用當前的上下文來確認。
- 不連貫的幻覺：LLM的響應并未回答問題或沒有意義。LLM無法遵循指示。
我們在這篇文章中將針對上述所有類型作下闡述。
我們將列出一系列以不同方式減少幻覺的技巧和方法。
技巧1：使用錨定
錨定是指要求LLM完成任務時，在LLM的輸入中使用領域內相關的附加上下文。這為LLM提供了正確回答問題所需的信息，并降低了產生幻覺的可能性。這是我們使用檢索增強生成（RAG）的原因之一。
比如說，問LLM一個數學問題，或者問同樣的問題，同時為它提供一本數學書的相關章節，會生成不一樣的結果，第二種選擇更有可能是正確的。
以下是我在之前的教程中介紹此類實現的示例，在提出問題時提供了從文檔提取的上下文信息：
技巧2：使用結構化輸出
使用結構化輸出意味著強制LLM輸出有效的JSON或YAML文本，便于你減少無用的漫談，從LLM獲得“切中要點”的回答。它還有助于下一個技巧，因為它使LLM響應更容易驗證。
你可以使用Gemini的API來做到這點：
import json
import google.generativeai as genai
from pydantic import BaseModel, Field
from document_ai_agents.schema_utils import prepare_schema_for_gemini
class Answer(BaseModel):
answer: str = Field(..., description="Your Answer.")
model = genai.GenerativeModel("gemini-1.5-flash-002")
answer_schema = prepare_schema_for_gemini(Answer)
question = "List all the reasons why LLM hallucinate"
context = (
"LLM hallucination refers to the phenomenon where large language models generate plausible-sounding but"
" factually incorrect or nonsensical information. This can occur due to various factors, including biases"
" in the training data, the inherent limitations of the model's understanding of the real world, and the "
"model's tendency to prioritize fluency and coherence over accuracy."
)
messages = (
[context]
+ [
f"Answer this question: {question}",
]
+ [
f"Use this schema for your answer: {answer_schema}",
]
)
response = model.generate_content(
messages,
generation_config={
"response_mime_type": "application/json",
"response_schema": answer_schema,
"temperature": 0.0,
},
)
response = Answer(**json.loads(response.text))
print(f"{response.answer=}")其中“prepare_schema_for_gemini”是一個效用函數，它準備模式以匹配Gemini的奇特需求。你可以在這里找到它的定義：??https://github.com/CVxTz/document_ai_agents/blob/498d8ee6e8597f8ba43b336c64178d186461dba0/document_ai_agents/schema_utils.py#L38。??
這段代碼定義了Pydantic模式，并將該模式作為查詢的一部分發送到“response_schema”字段。這迫使LLM在響應中遵循此模式，并使輸出解析起來更容易。
技巧3：使用思維鏈和更好的提示
有時候，在給出最終回答之前，給LLM足夠的空間來思考響應，有助于生成更高質量的響應。這種技術被稱為思維鏈，因有效、易于實現而被廣泛使用。
如果LLM找不到足夠的上下文來生成高質量的響應，我們還可以明確要求它以“N/A”回答。這將給它一個簡單的出路，而不是試圖回答它不知道怎么回答的問題。
比如說，不妨看看這個簡單的問題和上下文：
上下文
托馬斯?杰斐遜（1743年4月13日-1826年7月4日），美國政治家、種植園主、外交官、律師、建筑師、哲學家和開國元勛，1801年至1809年擔任美國第三任總統，他是《獨立宣言》的主要起草者。在美國獨立戰爭之后，在1801年成為總統之前，杰斐遜是華盛頓領導班子的第一位美國國務卿，然后是亞當斯領導班子的第二副總統。杰斐遜是支持民主、共和主義和自然權利的主要倡導者，他在州、國家和國際等層面制定了形成性的文件和決定。（來源：維基百科）
問題
戴維斯?杰斐遜是哪一年去世的？
一種天真的方法會生成：
響應
answer= '1826年 '
這顯然是錯誤的，因為杰斐遜?戴維斯在上下文中根本沒有被提及。托馬斯?杰斐遜死于1826年。
如果我們將響應的模式改為使用思維鏈：
class AnswerChainOfThoughts(BaseModel):
rationale: str = Field(
...,
description="Justification of your answer.",
)
answer: str = Field(
..., description="Your Answer. Answer with 'N/A' if answer is not found"
)我們還添加了更多關于當問題無法回答時，我們期望輸出的細節，使用上下文“如果沒有找到回答，以‘ N/A ’回答”。
通過這種新方法，我們得到了以下基本原理（記住，使用思維鏈）：
提供的文本討論的是托馬斯?杰斐遜，而不是杰斐遜?戴維斯。沒有關于杰斐遜?戴維斯去世的信息。
最終回答：
answer=’N/A’
這個給出的結果太好了！但是我們可以使用一種更通用的方法來檢測幻覺嗎？
我們可以，那就是使用代理！
技巧 4：使用代理方法
我們將構建一個簡單的代理，實現分三個步驟的流程：
- 第一步是包含上下文并向 LLM 提出問題，以便獲得第一個候選回答及其用于回答的相關上下文。
- 第二步是將問題和第一個候選回答重新表述為聲明性語句。
- 第三步是要求 LLM 驗證相關上下文是否包含候選回答。這被稱為“自我驗證”：https://arxiv.org/pdf/2212.09561。
為了實現這一點，我們使用LangGraph 定義了三個節點。第一個節點將在包含上下文的同時提出問題，第二個節點將使用 LLM 重新表述問題，第三個節點將檢查語句與輸入上下文的關系。
第一個節點可以如下定義：
def answer_question(self, state: DocumentQAState):
logger.info(f"Responding to question '{state.question}'")
assert (
state.pages_as_base64_jpeg_images or state.pages_as_text
), "Input text or images"
messages = (
[
{"mime_type": "image/jpeg", "data": base64_jpeg}
for base64_jpeg in state.pages_as_base64_jpeg_images
]
+ state.pages_as_text
+ [
f"Answer this question: {state.question}",
]
+ [
f"Use this schema for your answer: {self.answer_cot_schema}",
]
)
response = self.model.generate_content(
messages,
generation_config={
"response_mime_type": "application/json",
"response_schema": self.answer_cot_schema,
"temperature": 0.0,
},
)
answer_cot = AnswerChainOfThoughts(**json.loads(response.text))
return {"answer_cot": answer_cot}第二個節點如下定義：
def reformulate_answer(self, state: DocumentQAState):
logger.info("Reformulating answer")
if state.answer_cot.answer == "N/A":
return
messages = [
{
"role": "user",
"parts": [
{
"text": "Reformulate this question and its answer as a single assertion."
},
{"text": f"Question: {state.question}"},
{"text": f"Answer: {state.answer_cot.answer}"},
]
+ [
{
"text": f"Use this schema for your answer: {self.declarative_answer_schema}"
}
],
}
]
response = self.model.generate_content(
messages,
generation_config={
"response_mime_type": "application/json",
"response_schema": self.declarative_answer_schema,
"temperature": 0.0,
},
)
answer_reformulation = AnswerReformulation(**json.loads(response.text))
return {"answer_reformulation": answer_reformulation}第三個節點如下定義：
def verify_answer(self, state: DocumentQAState):
logger.info(f"Verifying answer '{state.answer_cot.answer}'")
if state.answer_cot.answer == "N/A":
return
messages = [
{
"role": "user",
"parts": [
{
"text": "Analyse the following context and the assertion and decide whether the context "
"entails the assertion or not."
},
{"text": f"Context: {state.answer_cot.relevant_context}"},
{
"text": f"Assertion: {state.answer_reformulation.declarative_answer}"
},
{
"text": f"Use this schema for your answer: {self.verification_cot_schema}. Be Factual."
},
],
}
]
response = self.model.generate_content(
messages,
generation_config={
"response_mime_type": "application/json",
"response_schema": self.verification_cot_schema,
"temperature": 0.0,
},
)
verification_cot = VerificationChainOfThoughts(**json.loads(response.text))
return {"verification_cot": verification_cot}完整代碼位于 https://github.com/CVxTz/document_ai_agents。
請注意每個節點如何使用各自的模式用于結構化輸出和自己的提示。這得益于 Gemini 的 API 和 LangGraph具有的靈活性。
不妨使用與上面相同的示例來處理此代碼。
（注意：我們沒有針對第一個提示使用思路鏈，因此驗證因我們的測試而觸發。）
上下文
托馬斯?杰斐遜（1743 年 4 月 13日— 1826 年 7 月 4 日）是美國政治家、種植園主、外交官、律師、建筑師、哲學家和開國元勛，曾于 1801 年至 1809 年擔任美國第三任總統。他是《獨立宣言》的主要起草者。在美國獨立戰爭之后，在 1801 年成為總統之前，杰斐遜是華盛頓領導班子的美國第一任國務卿，然后在亞當斯領導班子擔任美國第二副總統。杰斐遜是支持民主、共和主義和自然權利的主要倡導者，他在州、國家和國際層面制定了形成性文件和決定。（來源：維基百科）
問題
戴維斯?杰斐遜死于哪一年？
第一個節點結果（第一個回答）：
relevant_context=“托馬斯?杰斐遜（1743 年 4 月 13 日— 1826 年 7 月 4 日）是美國政治家、種植園主、外交官、律師、建筑師、哲學家和開國元勛，曾于 1801 年至 1809 年擔任美國第三任總統。”
answer=’1826’
第二個節點結果（回答重新表述）：
declarative_answer=“戴維斯?杰斐遜于 1826 年去世”
第三個節點結果（驗證）：
rationale=“上下文指出托馬斯?杰斐遜于 1826 年去世。斷言指出戴維斯?杰斐遜于 1826 年去世。上下文沒有提到戴維斯?杰斐遜，只提到托馬斯?杰斐遜。”
entailment=’No’
因此驗證步驟拒絕（兩者之間沒有entailment）了初始回答。現在，我們可以避免向用戶返回幻覺。
技巧 5：使用更強大的模型
由于預算或延遲方面的限制，該技巧并不總是容易運用，但你應該知道，更強大的 LLM 更不容易產生幻覺。因此如果可能的話，不妨為最敏感的用例選擇功能更強大的 LLM。你可以在此處查看幻覺基準：https://github.com/vectara/hallucination-leaderboard。我們可以看到，該基準中的頂級模型（最少的幻覺）也位居傳統 NLP 排行榜的榜首。
來源：https://github.com/vectara/hallucination-leaderboard
源許可證：Apache 2.0
結語
我們在本教程中探索了通過降低幻覺率來提高 LLM 輸出可靠性的幾種策略。主要建議包括使用思維鏈和提示以指導 LLM 調用，并使用基于工作流程的方法，其中代理旨在驗證自己的回答。
這涉及多個步驟：
- 檢索 LLM 用來生成回答的確切的上下文信息。
- 以聲明形式重新表述回答以便于驗證。
- 指示 LLM 檢查上下文和重新表述的回答之間的一致性。
雖然所有這些技巧都可以顯著提高準確性，但你應該知道沒有那種方法是萬無一失的。如果 LLM 在驗證過程中過于保守或遺漏了真實的幻覺情況，始終存在拒絕有效回答的風險。因此，嚴格評估你的特定 LLM 工作流程仍然至關重要。
全部代碼詳見??https://github.com/CVxTz/document_ai_agents。??
原文標題：??An Agentic Approach to Reducing LLM Hallucinations??，作者：Youness Mansar
