摘要：大模型"幻觉"指模型输出与事实不符或逻辑矛盾的内容，分为事实性和逻辑性两类，是企业应用中的核心风险点。其成因包括训练数据缺陷、推理机制局限、上下文限制和Prompt不当。解决方案涵盖检索增强生成(RAG)、模型微调、Prompt优化、事实校验、控制上下文和模型选型等。掌握幻觉成因与解决方法，能有效提升技术应用能力，并在面试中展现落地思维，是企业HR考察的重点方向。

1. 选型逻辑：知识更新快→RAG；知识固定、格式/逻辑固定→微调；资源有限→LoRA/QLoRA。2. 微调核心：常用方法按成本从低到高：QLoRA＜LoRA＜增量微调＜指令微调＜全量微调，主流为LoRA/QLoRA。3. 面试重点：选型逻辑、微调方法区别、成本控制、效果排查，掌握“RAG+微调”结合的落地思路。

RAG的核心是“检索补全知识，生成保证精准”，核心流程可概括为“加载→拆分→建库→检索生成”，其中Chunk拆分、向量检索、Prompt增强是落地关键。相比重新训练大模型，RAG具有低成本、高灵活、易迭代的优势，是目前大模型领域最实用的落地技术之一，适合快速应用于各行业的知识问答、文档查询等场景。