Factool：大语言模型事实核查工具包的设计原理与工程实践

1. 项目概述当AI学会“查证”我们该如何信任它最近在折腾大语言模型LLM应用落地的朋友估计都绕不开一个头疼的问题幻觉Hallucination。你让模型写一篇行业报告它可能给你编造几个不存在的公司你让它总结新闻它可能把日期、人名张冠李戴。这种“一本正经地胡说八道”在严肃的应用场景里比如金融分析、法律咨询、医疗问答简直是灾难。所以当我在GitHub上看到“GAIR-NLP/factool”这个项目时第一反应是终于有人系统性地来啃这块硬骨头了。Factool顾名思义是一个面向大语言模型生成内容的事实核查工具包。它不是简单地用另一个模型去评判前一个模型而是构建了一套多步骤、多工具协同的自动化验证流水线。简单来说它试图回答一个问题LLM生成的那段话里哪些是事实性陈述这些陈述到底对不对这个项目由GAIR-NLP粤港澳大湾区数字经济研究院的NLP团队开源定位非常清晰——为开发者和研究者提供一个开箱即用的、模块化的框架来评估和提升LLM输出的真实性。对于任何正在或将要把LLM集成到生产流程中的团队Factool的价值在于它提供了一种可量化、可复现的评估手段。你不再只能凭感觉说“这个模型回答得好像不太准”而是可以跑一遍Factool拿到一个具体的“事实准确率”分数并且知道具体是哪个句子、哪个事实点出了问题。这无论是对于模型选型、提示工程优化还是最终上线前的质量检查都至关重要。2. 核心设计思路拆解“事实核查”这个系统工程把“核查一句话是不是真的”这件事自动化听起来简单做起来极其复杂。Factool的设计哲学很聪明它不是试图打造一个“全能侦探”而是组建了一个“专家调查组”。整个流程被分解为几个核心步骤每个步骤由专门的“专家”模块负责最后汇总调查结果。2.1 从“生成文本”到“可验证主张”第一步也是最关键的一步叫做主张提取Claim Extraction。LLM生成的一段话可能包含事实、观点、假设、指令等等。Factool首先要做的就是把其中所有可以被验证真伪的“事实性主张”给挑出来。比如句子“苹果公司由史蒂夫·乔布斯于1976年4月1日在加州创立。”这里就包含了“创立者是史蒂夫·乔布斯”、“创立时间是1976年4月1日”、“创立地点是加州”等多个独立的主张。Factool通常利用一个经过指令微调的LLM比如GPT系列来完成这个任务。你给模型一段文本和明确的指令“请从以下文本中提取所有客观的、可验证的事实性主张。”模型就会输出一个结构化的列表。这里的挑战在于如何让模型准确区分事实和观点例如“iPhone是最好的手机”是观点以及如何避免遗漏隐含主张。实操心得在自定义主张提取时提示词Prompt的设计至关重要。除了基本的指令最好加入少量示例Few-shot Learning明确告诉模型你想要的输出格式比如JSON。例如提供一个例子“文本火星是太阳系中距离太阳第四近的行星其表面呈红色。提取主张[{“主张”: “火星是太阳系中距离太阳第四近的行星”}, {“主张”: “火星表面呈红色”}]”。这能显著提升提取的准确性和一致性。2.2 主张的精细分类与核查路径规划提取出一堆主张后不是所有主张都能用同一种方式去查。Factool的第二个核心模块是主张分类Claim Classification。它根据主张的性质将其分到不同的“调查通道”。常见的分类包括知识型主张关于世界的一般性知识如“水的沸点是100摄氏度”。这类主张通常通过查询知识库如维基百科或搜索引擎来验证。代码相关主张关于某个软件库、函数的用法或行为如“pandas.read_csv()函数默认以逗号分隔字段”。这类主张需要通过执行代码或查询官方文档来验证。数学主张涉及数学计算或逻辑推理如“15的平方根是3.873”。这类主张需要通过调用计算工具或数学引擎来验证。引用型主张提及了特定的来源、论文或数据如“根据arXiv:2307.12008这篇论文所述…”。这类主张需要去找到并阅读该原始文献来核对。分类模块同样依赖于一个LLM根据预设的类别定义进行判断。正确的分类是高效核查的前提它决定了后续调用哪个工具、访问哪个数据源。2.3 调用“专家工具”进行实质核查这是Factool的“肌肉”部分——工具增强核查Tool-augmented Checker。根据主张的分类系统会自动调用相应的工具去获取证据。对于知识型主张它会调用搜索引擎API如Google Search SerperAPI或直接查询本地/在线的知识图谱获取最新的、权威的网页或条目信息。对于代码相关主张它可能会在一个安全的沙箱环境中执行相关的代码片段看输出是否与主张描述一致或者用爬虫抓取官方API文档进行比对。对于数学主张调用Python的eval函数在严格限制下或SymPy等符号计算库进行计算验证。对于引用型主张利用学术搜索引擎如Semantic ScholarAPI查找论文并提取相关段落进行比对。这个阶段的核心是工具的可信度和信息检索的精准度。你从网上搜到的第一个结果可能就是错的所以Factool在设计上通常支持获取多个来源并进行交叉验证。2.4 基于证据的最终裁决收集到证据后最后一个模块验证器Verifier登场。它的任务是对比原始主张和收集到的证据判断主张是“支持”、“反驳”还是“信息不足”。这又是一个适合LLM发挥的任务。我们将主张和证据文本一起喂给LLM让它扮演一个公正的裁判。提示词可能是这样的“你是一个事实核查员。请严格根据提供的证据判断以下主张是否被证据支持。只回答‘支持’、‘反驳’或‘信息不足’。主张[主张文本]。证据[收集到的证据文本]。”最终所有主张的核查结果会被汇总生成一份详细的报告包括总体事实准确率、每个主张的详情、证据来源和判断依据。3. 核心模块深度解析与实操要点理解了流水线我们深入看看每个模块在实操中会遇到哪些“坑”以及如何搭建一个更稳健的系统。3.1 主张提取模块平衡召回率与精确率主张提取是源头源头有偏差后面全白费。在实际操作中你可能会遇到两种错误提取不足低召回率模型漏掉了一些事实主张特别是那些隐含在复杂句式中或需要背景知识才能理解的主张。例如“相较于去年的20%今年公司的市场份额提升至25%。” 这里隐含了“去年市场份额为20%”和“今年市场份额为25%”两个主张模型有时会只提取后者。过度提取低精确率把非事实性内容如观点、未来计划、假设也当作主张提取出来。例如“我们相信明天会更好。” 这会被错误提取。优化策略迭代提示工程不要满足于一个简单的指令。尝试链式思考Chain-of-Thought提示“首先识别文本中所有陈述句。然后判断每个陈述句是否描述了一个客观的、可被证明真伪的事实。最后列出这些事实。” 这能提升模型推理的透明度。后处理规则对模型提取的原始结果可以加一层基于规则的过滤。例如过滤掉包含“我认为”、“可能”、“将会”等主观或不确定性词汇的句子过滤掉过短或无实质内容的命名实体。人工标注微调对于特定领域如医疗、法律如果通用LLM表现不佳可以考虑用小规模的高质量标注数据对开源模型如Llama 3、Qwen进行LoRA微调让它更适应你的文本风格和事实类型。3.2 分类与核查模块工具选型与API集成Factool的强大在于其工具链但这也是集成复杂度最高的部分。1. 知识核查工具选型搜索引擎API vs. 本地知识库对于通用知识搜索引擎如SerperAPI、SerpAPI能获取最新信息但存在稳定性、成本和对“爬虫”限制的问题。对于垂直领域构建一个本地的权威知识库向量数据库是更可控的方案。例如在医药领域可以将药品说明书、临床指南存入Chroma或Weaviate核查时进行语义检索。证据源可信度评估不是所有网页都可信。集成时可以加入简单的可信度过滤比如优先选择域名中包含.gov,.edu,.org的页面或者知名新闻媒体、百科全书站点。更复杂的可以训练一个二分类模型来评估网页可信度。2. 代码核查的安全沙箱 直接执行未知代码是极度危险的。必须使用隔离的沙箱环境。Docker容器为每次代码核查启动一个一次性的、网络隔离的Docker容器执行完毕后立即销毁。这是最安全的方式但开销较大。受限的Python环境使用restrictedpython或PyPy沙箱但这类沙箱往往限制很多且可能被绕过。模拟执行/静态分析对于简单的API用法主张有时不需要真正执行。可以通过解析代码的抽象语法树AST结合库的官方文档已爬取并向量化进行静态比对。例如检查函数名、参数名和顺序是否正确。3. 数学核查的精度问题 LLM在数学上本就薄弱用LLM去验证数学主张可能陷入循环。可靠的做法是调用专业的数学引擎。SymPy适用于符号计算和公式化简。你可以让SymPy化简主张中的表达式再与证据中的表达式进行符号等价性判断。数值计算库NumPy/SciPy对于纯数值主张用高精度计算库重新计算一遍。注意处理浮点数精度误差应使用相对容差rtol进行比较而非绝对相等。3.3 验证器模块避免“循环论证”与偏见验证器LLM的判断是最终输出但它本身也可能产生幻觉或受证据表述的影响。循环论证风险如果证据文本本身也是由同一个系列的LLM生成的例如用GPT-4搜的资料又用GPT-4来判断就可能陷入“自我证明”的循环。理想情况下证据应来自独立的、非LLM生成的权威源。证据呈现的偏见提供给验证器的证据是经过检索和截取的片段。如何确保这个片段是客观、完整的如果只提供支持主张的片段而忽略了反驳的片段验证器自然会得出“支持”的结论。因此在检索证据时应尽可能返回多段相关文本甚至包括一些可能持有不同观点的来源让验证器进行综合判断。设计抗偏见的提示词提示词应强调“严格依据证据”、“证据不足时请说‘信息不足’”、“不要使用外部知识”。可以设计成对话形式让模型先复述证据要点再做出判断以增加其推理的透明度。4. 从零搭建一个简易事实核查流程虽然Factool提供了完整的框架但理解其精髓后我们可以用更轻量的方式为一个特定场景搭建核查流程。假设我们要核查一个AI生成的“科技公司简介”的真实性。步骤1环境与依赖准备我们使用OpenAI API或兼容的本地模型作为LLM引擎用SerperAPI进行搜索用LangChain来编排链条。# 安装核心库 pip install openai langchain langchain-community在环境变量中配置你的OPENAI_API_KEY和SERPER_API_KEY。步骤2实现主张提取链from langchain.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI # 定义主张提取提示词 claim_extraction_prompt ChatPromptTemplate.from_messages([ (system, 你是一个精确的事实提取助手。), (human, 请从以下文本中提取所有客观的、可验证的事实性主张。每个主张必须是完整的句子且独立成句。 只输出JSON格式的列表例如[{{claim: 主张1}}, {{claim: 主张2}}]。 文本 {input_text} ) ]) llm ChatOpenAI(modelgpt-4-turbo, temperature0) # 低随机性保证稳定 extraction_chain claim_extraction_prompt | llm # 解析LLM的JSON输出这里需要添加一个解析输出内容的函数这里的关键是temperature0减少随机性使提取结果更稳定。步骤3实现分类与搜索链我们简化分类只区分“可网络验证”和“其他”。from langchain_community.utilities import GoogleSerperAPIWrapper classifier_prompt ChatPromptTemplate.from_messages([ (system, 判断一个主张是否可以通过公开网络信息进行验证。), (human, 主张{claim}\n如果这个主张是关于实体公司、人物、产品、事件、统计数据或通用知识的回答‘web’。否则回答‘other’。只输出一个词。) ]) classifier_chain classifier_prompt | llm searcher GoogleSerperAPIWrapper() def check_with_web(claim): 通过网络搜索验证主张 try: # 获取搜索结果片段 results searcher.results(f{claim}) # 通常取前3个结果的snippet作为证据 evidence .join([r.get(snippet, ) for r in results.get(organic, [])[:3]]) return evidence except Exception as e: return f搜索出错{e}步骤4实现验证链verifier_prompt ChatPromptTemplate.from_messages([ (system, 你是一个严格的事实核查员只根据提供的证据进行判断。), (human, 请判断以下主张是否被所附证据支持。 证据可能支持、反驳该主张或者证据不足。 主张{claim} 证据{evidence} 请只输出以下三个选项之一 1. SUPPORTED - 如果证据明确支持主张。 2. REFUTED - 如果证据明确反驳主张。 3. NOT_ENOUGH_INFO - 如果证据不足或模糊。 你的判断 ) ]) verifier_chain verifier_prompt | llm步骤5组装完整流程def simple_fact_check(text): # 1. 提取主张 extraction_response extraction_chain.invoke({input_text: text}) claims parse_json_response(extraction_response.content) # 假设已实现解析函数 results [] for claim_item in claims: claim claim_item[claim] # 2. 分类 category classifier_chain.invoke({claim: claim}).content.strip().lower() verdict NOT_ENOUGH_INFO evidence_used if category web: # 3. 搜索证据 evidence_used check_with_web(claim) # 4. 验证 if evidence_used and not evidence_used.startswith(搜索出错): verdict verifier_chain.invoke({claim: claim, evidence: evidence_used}).content.strip() results.append({ claim: claim, category: category, evidence: evidence_used[:500], # 截断长证据 verdict: verdict }) return results # 测试 sample_text 特斯拉公司由埃隆·马斯克于2003年创立总部位于帕洛阿尔托。 report simple_fact_check(sample_text) for r in report: print(f主张{r[claim]}) print(f判断{r[verdict]}) print(f证据摘要{r[evidence][:100]}...) print(- * 50)这个简易流程涵盖了Factool的核心思想提取、分类、取证、裁决。你可以在此基础上增加代码核查、数学核查等更多模块。5. 常见问题、排查技巧与效果评估在实际部署和运行Factool或自建核查系统时你会遇到一系列典型问题。5.1 性能与成本瓶颈问题一次核查涉及多次LLM API调用提取、分类、验证和外部API调用搜索延迟高、成本贵。排查与优化缓存对相同或高度相似的主张缓存其分类结果和搜索证据。可以使用functools.lru_cache或Redis。模型降级并非所有步骤都需要最强模型。可以用更小、更快的模型如GPT-3.5-turbo处理分类任务而用大模型GPT-4处理最关键的验证任务。批量处理如果需要核查大量文本先将所有主张提取出来然后对同类主张批量进行分类和搜索能减少API调用开销。设置超时与重试对搜索引擎等外部服务设置合理的超时并实现指数退避重试机制提高系统鲁棒性。5.2 核查准确性波动问题同样的主张有时判为“支持”有时判为“信息不足”结果不稳定。排查与优化温度参数确保在提取、分类、验证链中LLM的temperature参数设置为0或接近0的值以最大化确定性。证据质量波动往往源于搜索证据的不稳定。检查搜索引擎返回的片段是否相关、完整。考虑使用更高级的搜索技巧如用引号包裹精确主张进行搜索或使用site:限定权威网站。多数表决对同一个主张用不同的验证提示词或让模型多次生成判断在低随机性下然后取多数结果作为最终裁决可以平滑单次判断的偏差。人工审核回路对于系统判断置信度低例如验证器输出概率接近阈值或涉及关键信息的主张将其标记出来流转给人工最终审核。5.3 对复杂主张和新兴事实的处理不足问题对于“A导致了B”这类因果主张或者刚刚发生几小时的事件系统难以准确核查。排查与优化分解复杂主张在主张提取后增加一个“主张分解”步骤。用LLM将“A导致了B”分解为“A发生了”、“B发生了”、“A发生时间早于B”、“存在公认的机制表明A能导致B”等多个更原子化的主张分别核查。实时数据源对于时效性极强的新闻类主张集成新闻API如NewsAPI或社交媒体流需谨慎处理可信度而不仅仅是通用搜索引擎。承认局限性在系统报告中明确标注对于涉及复杂推理、主观解读或极新兴的事实系统的核查能力有限结论仅供参考。5.4 如何评估你的事实核查系统搭建好系统后你需要量化它的表现。不能只用它测别人不测自己。构建测试集创建一个小型但高质量的测试集。包含正例明确为真的事实主张及其来源。负例明确为假的事实主张。难例模糊、有争议或需要多步推理的主张。定义评估指标主张提取的F1分数对比系统提取的主张与人工标注的标准主张。分类准确率系统分类结果与人工分类的一致性。核查准确率系统最终裁决支持/反驳/信息不足与人工裁决的一致性。这是核心指标。证据相关性人工评估系统检索到的证据与主张的相关程度如1-5分。进行A/B测试如果你用事实核查系统来过滤LLM的输出可以设计A/B测试。一组用户收到未经核查的答案另一组收到经系统标注了可信度或已过滤掉低可信度内容的答案。监测用户满意度、任务完成率、对错误答案的投诉率等业务指标。最终Factool这类系统提供的不是“真理”而是一个“可信度概率”。它帮助我们更系统、更高效地识别LLM输出中的风险点是构建可靠AI应用不可或缺的一道安全护栏。它的价值不在于达到100%的准确而在于将“模糊的担忧”转化为“可度量、可改进的指标”。在AI能力飞速进化的今天这种构建透明度和问责制的工具其重要性只会与日俱增。