63% 的幻覺率
2026 年初，一篇發表在《Journal of Biomedical Informatics》的臨床問答研究丟出一組數據：讓 ChatGPT-4 直接回答醫學問題，準確率只有 37%，剩下的 63%，AI 不是說「我不知道」，而是一本正經地編答案給你。學術界管這叫「幻覺」（hallucination）。研究團隊用了一套叫 Ontology（本體論）的東西來治這個問題。加上之後，準確率飆到 98%，幻覺率降到 1.7%。
63% 到 1.7%。差距大到不像真的。
但那是正式 Ontology。
用專門的語義描述語言（OWL/RDF，你可以想成「給機器讀的規格書格式」）定義，需要領域專家設計，企業級部署還要版本控制和治理流程。
我的知識庫沒有這些東西。我有的是 Obsidian 裡接近 18000 張 Markdown 卡片，用最土的方式整理：標籤、連結、父卡指向。
我好奇的是：這套土法煉鋼的結構，能不能也讓 AI 少亂講話？
先講什麼是 Ontology
你蓋房子之前要畫藍圖。
藍圖不包含任何一塊磚頭，但它規定了「這裡放臥室、那裡放廚房、臥室和廚房之間有走廊」。
Ontology 就是知識的藍圖。它定義「這個領域裡有什麼類型的東西」和「它們怎麼關聯」。
例如 Ontology 說「書有作者」「作者在出版社工作」，但它不會提到任何一本具體的書。
把具體資料填進藍圖，就得到知識圖譜（Knowledge Graph）。知識圖譜是蓋好的房子。
正式 Ontology 用 OWL/RDF 這種專門的語義語言編寫，定義三種組件：
- 類別（這個領域有哪些種類的東西）
- 關係（它們怎麼互相關聯）
- 屬性（每種東西有什麼特徵）
很強大，但也很重，需要專家設計和持續維護。
知識圖譜設計有個核心原則叫「剛好夠用的語義」：
用最簡單的結構解決眼前問題，不要提前建構用不到的複雜架構。
標籤就夠用時不要建分類樹，分類樹就夠用時不要建正式 Ontology。
我的知識庫走的就是這條路。沒有 OWL，沒有 RDF，但有三個元素充當輕量版 Ontology。
我的三個元素
第一個，Type Tag。
每張卡片強制標記一個類型標籤，總共 6 種：概念、主張、方法、案例、金句、模型。
概念卡回答「X 是什麼」，主張卡回答「X 導致 Y」，方法卡回答「怎麼做 X」。
這 6 個標籤做的事情，跟正式 Ontology 裡的「類別定義」一樣：告訴系統這個領域裡有哪幾種東西。
第二個，Relation Markers。
Obsidian 裡兩張卡片可以互相連結，但連結本身沒有說明「為什麼連」。
系統只知道「A 跟 B 有關」，不知道是支持、反對還是延伸。
我在每條連結旁邊手動加一個標記：`—支持→`、`—反駁↔`、`—延伸→`、`—類比∼`。
這一小段文字做的事情，跟正式 Ontology 裡的「關係定義」一樣：告訴系統兩個東西之間是什麼關係。
第三個，up: 階層。
每張卡片在檔案開頭的中繼資料裡寫一行「父卡」。
概念的父卡是更抽象的概念，方法的父卡是它所屬的概念。
例如「OODA 循環」的父卡是「決策方法」，「決策方法」的父卡是「認知」。
這形成一棵淺層的概念樹，跟正式 Ontology 裡的「類別階層」做同一件事：告訴系統概念之間的上下層關係。
三個元素加起來，成本是：6 個標籤名稱、一套 5 種關係標記符號、每張卡片一行父卡指向。
沒有規格書，沒有工具鏈，沒有專家。
公平起見要補充：這三個元素能發揮作用，背後還有一整套支撐系統。
每張卡片有一句話的精確定義（canonical），有英文別名讓語意搜尋能跨語言命中，有人工策展的主題索引（MOC）提供導航，還有一個跑在本機的語意搜尋引擎讓 AI 能毫秒級找到相關卡片。
這些基礎設施是經過 18000 張卡片慢慢長出來的，不是一天能建好的。但今天要測的不是整套系統，而是其中三個跟 Ontology 直接對應的元素，單獨拉出來測效果。
問題是：這三個元素有用嗎？
實驗 2：類型標籤把幻覺從 55% 降到 0%
我準備了 25 張卡片作為知識庫，涵蓋 6 種類型標籤。設計了 20 個刻意誤導 AI 的問題，每一題都故意用錯誤的類型去問，例如「請介紹賽局理論這張概念卡」，但那張卡的類型標籤是「方法」。
這是壓力測試，正常問問題不會每次都踩到類型陷阱。目的是看類型標籤在最惡劣條件下能不能擋住。
兩組對照：
- A 組只給卡片標題和內容摘要，不給類型資訊
- B 組額外給類型標籤加上語義定義（「方法卡定義怎麼做某件事，不包含理論定義」）
結果：
A 組（不給類型資訊）
類型順從（接受錯誤前提）：40%
框架誤導（用錯框架呈現）：15%
內容編造：0%
總幻覺率：55%
B 組（給類型標籤 + 語義定義）
類型順從：0%
框架誤導：0%
內容編造：0%
總幻覺率：0%
兩組的內容編造率都是 0%。AI 不會憑空捏造卡片裡沒有的東西。
類型標籤真正消滅的是「合理但錯誤的重新詮釋」。
最典型的案例：OODA 循環的「觀察、定向、決策、行動」四個步驟，既可以被解讀成方法的操作步驟，也可以被解讀成模型的分析框架。
A 組被問「OODA 這張模型卡的結構是什麼」，就順著「模型」的框架回答了。
B 組直接糾正：「這是方法卡，四個步驟是操作流程，不是模型結構。」
方法和模型的模糊地帶、案例和方法的模糊地帶，是 AI 最容易滑過去的地方。
類型標籤擋住了這些滑坡。
實驗 3：父卡指向讓推理從猜測變成可追溯
我從知識庫挑出 10 條 up: 鏈，深度 2 到 3 層。
例如「舞蹈」的父卡是「變化」，「變化」的父卡是「反向定律」，「反向定律」的父卡是「安全感」。然後問 AI：「舞蹈跟安全感有什麼關係？」
兩組對照：
- A 組只給最底層卡片（舞蹈）的內容
- B 組額外給 up: 鏈上所有卡片的摘要和關係標記
結果出乎意料，A 組的推斷成功率也是 100%。
AI 的語義推理能力夠強，就算沒有中間節點，也能從內容相似性猜到「舞蹈跟安全感有關」。
那父卡指向的價值在哪？
A 組（只給底層卡片）
推斷成功率：100%
推斷正確率：90%
推理路徑品質：4.2 / 5
列出推理路徑：0%
主動批判性評估：0%
B 組（給完整父卡鏈）
推斷成功率：100%
推斷正確率：100%
推理路徑品質：5.0 / 5
列出推理路徑：100%
主動批判性評估：30%
A 組能猜到答案，但它跳過了中間的邏輯步驟。3 跳的鏈路裡，A 組直接從「舞蹈」跳到「安全感」，跳過了「變化」和「反向定律」。猜對了，但你無法驗證這個推理是否可靠。
B 組逐步展開 A→B→C→D，每步都有關係標記支撐，路徑可追溯、可驗證。
更意外的是 B 組在 3 題中主動提出批判性評估。例如「拼圖教室原始目的是減少偏見，不是驗證延展心智假說」，主動指出兩張卡片之間的理論張力。A 組從來沒做過這件事。
up: 鏈讓推理邊界變得可見。當中間節點的關係標記是「類比」而非「延伸」時，B 組能辨識出這是聯想而非因果，自動降低確信度。
三個元素加起來，成本差幾個量級
類型標籤（6 種 + 語義定義）
成本：低。主要價值：消除類型幻覺。效果：55%→0%
父卡指向（每卡一個指向）
成本：中。主要價值：推理路徑顯化 + 批判能力。效果：品質 +19%
關係標記（自然語言標記）
成本：中。主要價值：連結語義方向。效果：結構化語義
先說清楚：Ali et al. 測的是 AI 編造醫學事實（開錯藥、判錯病），我測的是 AI 搞混卡片類型（把方法卡當模型卡回答）。嚴重度差很多，不能直接比數字。但防禦機制相同：給 AI 結構化的語義約束，限縮它亂猜的空間。
帶著這個前提看對比：
正式 Ontology
幻覺率改善：63%→1.7%
建置成本：專家設計 + 工具鏈 + 版本控制
維護成本：高（規格書持續演化）
推理能力：完整（自動繼承上層規則、自動傳遞關係）
輕量方案
幻覺率改善：55%→0%
建置成本：6 個標籤 + 一段語義定義
維護成本：低（一份標籤規範文件）
推理能力：有限（淺層階層 + 手動標記）
兩者測的不是完全相同的東西。
正式方案是臨床問答，我的是個人知識庫。
樣本量、問題難度、評估方式都不一樣，不能直接比。
但趨勢相同：給 AI 結構化的語義約束，它就不亂講話。差別只在你需要多重的約束。
這個實驗不嚴謹，但趨勢很明顯
先說局限。
每個實驗只有 20 題，統計上不算數。
只在一個人的知識庫上測，換一個 vault 結構可能結果不同。
LLM 用的是 Claude，換 GPT 或 Gemini 不保證一樣。
而且是我自己設計問題、自己評分，沒有雙盲，沒有外部驗證。
這不是學術論文，是一個人的田野實驗。
但 55% 到 0% 的差距太大了，不太可能光靠運氣解釋。
類型標籤在 20 題中全勝，連一個例外都沒有。
推理品質從 4.2 到 5.0 的提升也一致，10 題中 B 組全部拿滿分。
如果你也在經營知識庫，你現在就能做三件事。
- 給卡片加類型標籤
不用 6 種，3 種就有效果。至少區分「這張卡在定義一個概念」和「這張卡在主張一件事」。 - 給連結加一句說明
不用正式的關係標記符號，用你自己的話寫「這張卡支持那個觀點」或「這是反例」就行。關鍵是讓 AI 知道為什麼連，不只是連了。 - 指定父卡
每張卡問自己：「這個概念往上一層是什麼？」寫一行就好。等你需要讓 AI 做跨卡推理的時候，這條線就是它的推理路徑。
