Dify中构建大模型幻觉后置检验机制，需用独立评估器（非主模型）进行事实性、一致性、来源可追溯性三重校验，通过Evaluator Engine配置「原始输出注入→事实性检测→响应分类」工作流，并依置信度分级处置。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在Dify中构建大模型输出幻觉的后置检验机制，核心是绕过“依赖模型自省”的陷阱，用独立评估器对生成结果做事实性、一致性、来源可追溯性三重校验，不修改原始回答，只标记风险并触发对应处置动作。
用Evaluator Engine搭建独立校验工作流
进入Dify控制台 → 左侧导航栏点击【评估】→ 新建评估任务 → 选择「LLM-as-a-judge」模板。
在工作流画布中拖入三个节点：「原始输出注入节点」→「事实性检测器节点」→「响应分类与路由节点」。注意不要把校验逻辑写进主LLM提示词里，否则等于让同一个模型给自己打分，【校验器必须使用与主模型不同参数、不同权重、甚至不同厂商的模型】，例如主流程用Qwen2-7B，校验器固定调用Claude-3-haiku或本地部署的Phi-3-mini。
配置事实性检测器节点时，勾选「强制引用溯源」选项。该选项会要求校验器逐句比对生成内容是否能在知识库检索结果中找到支撑片段，找不到则直接标为“未验证断言”。
设置幻觉分级响应策略
方法一：基于置信度阈值自动拦截
在「响应分类与路由节点」中设置条件分支：
若事实性得分 ≥ 0.92 → 输出原回答 + 添加可信标识（✅）；
若0.75 ≤ 得分 若得分
方法二：人工复核队列触发
当检测到“政策类”“金额类”“时效类”关键词（如“报销上限”“截止日期”“税率调整”），无论得分高低，自动将该条记录推入「高敏应答复核队列」，并在Dify后台通知指定角色邮箱与企业微信机器人。这一步不能跳过，【财务/法务类问答一旦出错，纠错成本远高于拦截成本】。
将校验结果回流至知识库优化闭环
第一步：启用评估日志结构化导出
在评估任务设置页开启「导出JSONL格式日志」，字段必须包含：input_id、model_output、eval_score、unverified_claims、retrieved_chunks_used。
第二步：配置自动反馈触发器
进入【设置】→【自动化】→ 新建触发器，选择事件类型为“低分评估完成（score
第三步：人工确认后执行知识库热更新
运营人员在知识库管理页看到该标记，点击「定位原文档」→ 打开对应PDF → 使用Dify内置PDF编辑器高亮问题段落 → 点击「上传新版本」→ 勾选「强制刷新向量索引」。整个过程无需重新切块或重启服务。
