先说结论，三条：
- 让模型"再检查一遍"，多数情况下不会把错的挑出来，只会把错的换个说法，说得更像对的。
- 原因不是模型笨，是检查的人和被检查的是同一个。它的盲区，跟着它一起进了检查环节。
- 能稳定生效的替代方案只有一个方向：把"检查"这件事挪到模型外面去------外部证据、可执行验证、独立校验器。三个都能今天落地。
下面给三个今晚就能自己跑完的验证，和一版线上真在用的替代方案。
一、先看一个现场
老陈让模型帮他查一件旧事：1987 年，他们县里那场下了三天三夜的雨，到底是几号停的。
第一轮，答得很快。有日期，有风向，还顺手补了一句"那几年这一带普遍偏涝"。
他追问了一句：你确定？
第二轮：抱歉，是我记错了，应该是十四号。
他愣了：那到底是十三还是十四？
第三轮：您说得对，这两种说法都有记载，具体要看您指的是哪个观测站。
第四轮，模型开始讲"历史气象记录的局限性"，讲得又稳又客气。
四轮下来，没有一句是硬顶的，每一轮都在让步，都在"修正"。但那个数字一次也没落地。
这不是它在撒谎。这是它在自己的圈里绕：每被推一下，往里缩一格；缩到最后一格，它开始说一些听起来永远正确、其实什么都没说的话。
做 RAG、做 Agent、做代码补全的人，对这个体感应该都不陌生------它不跟你吵，它顺着你滑。
二、验法一：四层追问，看它从第几层开始变虚
同一个问题，往下问四层。一个字别改，原样记。
- 第一层，问事实：这件事具体是哪天、哪个版本、哪个数？
- 第二层，问确定性：你确定吗？
- 第三层，问动机：你刚才为什么改口？
- 第四层，问自检：你现在这句话，你自己判断得了真假吗？
四个回答原样存下来，然后数三样东西：
- 含糊词密度：从第几层开始出现"一般来说""在某种意义上""这取决于""建议以官方渠道为准"。
- 复读率：它是不是开始重复你问题里的词，用你的措辞回答你的问题。
- 落地率：还有多少回答里带着可核对的具体值------日期、数字、版本号、函数签名、字段名。
我这边跑下来的规律是：前两层通常还硬；第三层开始出现过程性描述（"我当时考虑的是......"）；第四层基本全是空话。
第四层之所以空，不是因为它谦虚。是因为在这个位置上，它手里只有一套东西可用：它自己知道的那点东西。拿自己知道的去检自己知道的，检到最后的结论永远是"我说得通"，不是"这是真的"。
想把这条做得更硬，就把每次回答里的数字抽出来，跟参考答案比对，算一个编造率。四层就是四个点，一条曲线就出来了。曲线往上翘的那一层，就是它够不着的地方。
三、验法二：让它自查，看它到底改了什么
就问一句：再检查一遍，有没有错。
然后把修改前后的两版 diff 出来，逐条分类：
- A 类，真纠错：改掉了一个可核实的错。
- B 类，换说法：同一个错，换个更确定的措辞。
- C 类，加免责：内容没动，补一句"建议核实"。
- D 类，删掉：把可能错的部分整段抹掉，不留痕迹。
多数情况下，A 类少得可怜，B 和 C 占大头。有些任务上 D 类会突然变多------那不是它发现了错，是它发现了"这段有风险"，然后把风险删掉，把问题留给你。
原因很直接：检查的人要判断"这句对不对"，得先知道"对的应该是什么"。而这个"对的应该是什么"，和被检查的内容，来自同一份参数、同一段上下文、同一个训练分布。它没有多出任何一点信息。
这不是我一个人的观察。2023 年有一篇论文专门验过（Huang 等，Large Language Models Cannot Self-Correct Reasoning Yet），结论是：在没有任何外部反馈的情况下让模型自我纠正推理，准确率不但没升，有些任务上还降了。它会把对的改成错的------因为"改"这个动作本身，被当成了"进步"。
要补一句边界：这篇论文说的是内在自纠。给它外部信号------跑测试、查文档、拿到报错------它能改，而且改得不错。这也是下面那条方案的全部前提。
四、验法三：换一个外来的检查者
不是让它自查，是让另一个东西来看它写的东西，加两条硬约束：
- 只许挑错，不许重写。
- 检查者看不到"作者"的推理过程，只给结果 + 原始材料。
然后对比：外来检查者挑出的问题里，有多少是自查没挑出来的。
你会看到一批很具体的毛病------引用了文档里根本不存在的段落、函数少一个必填参数、版本号对不上、把两个相似概念的边界搞混、示例代码里的变量名早就改过。这些不是"它不肯挑"，是这些毛病就长在它的盲区里，它站不进去。
最要紧的一句：如果验法三挑不出自查挑不出的错，那这套说法就不成立，你尽管把它划掉。
五、工程上怎么用（这部分才是能拿走的）
三个位置，从弱到强。
1. 证据锚定：不给证据，不许下结论
- 检索到的原文段落，要求逐字引用，并回填位置。
- 引用对不上原文的，直接判失败，不进下一步。
- 没有检索到证据时，允许它说"没找到"，但要有独立的标志位，不能混在正常答案里。
关键点是让它引用，而不是让它复述。复述会被润色，引用不会。这一条能干掉大部分"看起来很合理"的编造。
2. 可执行验证：能跑的，就别问
- 生成代码 → 跑测试、跑类型检查、跑 lint。
- 抽取结构化数据 → JSON Schema + 业务规则校验（金额加起来对不对、时间顺序合不合理、外键在不在）。
- 数值和统计 → 把算式抽出来，用代码复算，别信它口算。
- SQL → 先在只读副本上 EXPLAIN，再小样本执行。
这一层的价值在于：它的判定不依赖任何模型的意见。测试过了就是过了。
3. 独立校验器：换个模型，或者换个身份
- 换模型最省事：A 生成，B 挑错。B 的上下文里只有结果和证据，没有 A 的推理链。
- 不换模型也行，但要换身份和上下文：新开会话，system prompt 只写"你是审查者，只输出问题清单，不许给修改建议"，输入只有结果 + 原始材料。
- 别在同一段对话里说"你再想想"。那不叫验证，那叫让它自我确认------上下文里全是它自己刚说过的话，它只会往回找补。
一个反直觉的点：校验器不需要比生成器强。它只需要站在外面。同一个量级的模型，只要不带生成时的那段上下文，挑错能力就明显不一样。
六、边界，说清楚，不然就是吆喝
- 有外部可验证信号的场景，自查 + 工具反馈是有效的。 别把"自查没用"推广成"反馈没用"------差的是信号从哪来，不是要不要反馈。
- 多次采样投票（self-consistency）确实能提升准确率。 但它提升的是稳定性，不是真实性。一百次采样里错得一致，投出来的还是一个一致的错。
- 上面三个验法都是小样本、单场景。 换任务、换模型、换语言，结论可能变形。真要认真，自己跑够样本量再下判断。
一支不敢让人来划的笔，本来也写不出什么。
七、一句话版本
发布前问自己一句：这次的"检查"，是在模型外面发生的，还是在模型里面发生的？
在外面------测试、检索、Schema、另一个模型------留着。 在里面------"你再仔细看看"------删掉，换成外面那一步。
省下来的不是 token，是你上线之后半夜被叫起来查的那个幻觉。
把"自指""盲区""外部参照"这些平时说不清的东西讲清楚，是结构认知 一直在做的事。上面这条"自查为什么改不掉错"的推导，出自《实验协议：AI 幻觉的结构根因验证（对撞机协议）》，第一发现者：林小黑。完整推导见 gitee.com/samforce/st...。