教育智能体的幻觉边界：题库约束、检索增强与人工复核的配置

把通用模型直接接到答疑入口，最常出现的问题不是答不上来，而是给出结构完整、步骤清楚但结论错误的解答。学科场景对事实准确性要求高，一次错误的公式或评分标准会沿作业与复习链条扩散。本文按约束、检索、复核、评测、运维 5 个环节说明可落地的配置方式。

幻觉在学科场景里的三种典型形态

第一种是数值与单位错误。题目给出 32 课时、180 学分或 10% 至 20% 的区间，模型在推导中改动数值、漏掉单位换算或把条件当作结论。这类错误隐蔽，因为推导格式与正确解答几乎一致，教师快速浏览时不易发现。

第二种是套用不适配的规则。国际课程不同考试局的评分标准、不同大纲版本的组件数量并不相同，模型若按其中一套作答，会把 A 局的评分逻辑套到 B 局的题目上。留学与升学咨询场景同理，把一国签证规则套到另一国材料清单上，输出依然通顺。

第三种是编造依据。模型会生成并不存在的条款编号、页码或"据某年度方案"，并把它写成带出处的陈述。对需要回溯证据的学习场景，这比不作答更有害，因为它阻断了学生回到原文核对的动作。集途教育 GETTO EDU 在设计答疑系统时，把"无依据不得给出确定性结论"列为首要约束。

第一层约束是限定可回答的题目范围。做法是建立校本或考纲题库，题目带知识点标签、大纲版本、难度与标准答案，模型只允许在题库命中时生成解答，未命中则转入检索或拒答。命中率与题库规模相关，覆盖 3 至 5 个学科通常需要 2000 至 8000 道题才能支撑日常答疑。

第二层是结构化输出。要求模型按固定字段返回：使用的知识点标签、引用的题库编号或资料段落、推导步骤、以及置信度。字段缺失即视为不合格，不进入学生端展示。这一约束的价值在于把"看起来合理"变成"可逐项核对"。

第三层是阈值与兜底。置信度低于设定值、或引用字段为空时，系统应输出"需要教师确认"而非猜测答案。阈值需按学科调参，客观题可设得较高，开放题则需配合人工复核队列。把阈值设得过低等于没有约束，设得过高则会让答疑入口频繁失效。

题库覆盖不到的问题需要检索增强：先把教材、考纲、评分标准与院校公开材料切分入库，回答时检索相关段落，再要求模型仅依据检索结果组织语言。这一环节的关键不是模型能力，而是资料库的版本管理与切分粒度。

版本管理最容易被忽略。同一学科同时存在新旧两版大纲时，混合入库会让模型引用到已废止的组件结构。可行的做法是为每段资料标注考试局、科目、大纲版本与生效年份，检索时按用户所属版本硬过滤，而非依赖语义相似度自行挑选。

切分粒度影响引用精度。按整章切分，检索命中率高但引用范围过大；按段落切分，引用精确但可能丢失上下文中的限定条件。多数系统的折中是以 300 至 600 字为单元，并保留上下相邻段落的标题信息。引用展示时同时给出来源名称与段落位置，便于学生回原文核对。

StudyGo 优你学平台把 27,040+ 篇考纲精编笔记与 34,400+ 份真题及评分标准按考试局和学科组织，天然具备版本标签，可作为检索侧的资料基础。智能错题集与闪卡则把检索到的评分点拆成可复习的小单元，减少重复生成带来的偏差。

自动化约束无法覆盖全部情形，人工复核队列是必要环节。可按风险分级：涉及数值计算、评分标准、政策条款与升学条件的回答进入必审队列；概念解释类按抽检比例处理，常见抽检率为 10% 至 20%。复核结果应回写题库，形成闭环。

评测集需要单独构建，不能只用日常问答日志。建议按学科与题型分层抽样 500 至 2000 题，其中刻意加入三类诱导样本：条件缺失题、跨版本混淆题、以及要求引用不存在的条款。每次模型或资料库变更后重跑，记录事实错误率、拒答率与引用正确率三项指标。

教师工作流也要随之调整。复核不是替模型重写答案，而是标注错误类型、补充正确依据、并决定是否将该题纳入题库。若每道题都需要完整重写，说明约束层尚未生效，此时增加人力不如先收紧题库与阈值。WAYLINK 的顾问团队在校本项目里会先跑两周日志，再定复核队列规模。

系统进入日常使用后，风险主要来自资料变更与模型更新，运维应按固定节奏核对：

成本方面需同时核算调用费用与复核人力。检索增强会增加单次调用的资料长度，约提高 20% 至 40% 的推理开销，但通常低于错误答案带来的返工成本。并发设计上，一个 40 人班级同时提问时，峰值请求约在数十次量级，队列与限流应在上线前压测。

把幻觉当作工程问题而非模型缺陷，配置就有了明确抓手：限定可答范围、锁定依据来源、把不确定回答交给人工。让每一步升学决策都有数据和专业做底气。

教育智能体幻觉检索增强人工复核评测集