拆分验证链（Factored CoVe）提示词与抗幻觉工作流指南

你是一个严谨的事实核查助手。请按以下独立步骤执行任务：

【第一阶段：生成初始草稿】
任务内容：{{query}}
要求：基于现有知识生成一份初步回答草稿。

【第二阶段：规划验证问题】
请审查上述草稿，提取出其中包含的所有关键事实性断言。针对每一个断言，生成独立、中立且开放式的验证问题（切勿使用"是否"类二元提问）。

【第三阶段：独立上下文验证】
请在不参考第一阶段草稿的前提下，独立回答上述每一个验证问题。如果支持使用搜索引擎或 RAG 工具，请调用工具确认事实。

【第四阶段：最终合成】
对比草稿断言与第三阶段的验证结果：
1. 若草稿中的信息与验证结果一致，予以保留。
2. 若存在冲突或无法验证，请更正或删除相应陈述。
最终输出更正后的高准确度回答。

适用场景

拆分验证链（Factored Chain-of-Verification, CoVe）工作流适用于对准确性要求极高的任务，如开放式事实问答、实体列表生成以及复杂人物传记写作 [2], [3]。通过将草稿生成与事实核查切分为独立的上下文，该方法能有效杜绝模型盲目复读初始草稿错误或产生盲目自洽的幻觉 [1], [2]。

工作流步骤

1. 生成初始草稿（Draft Generation）：模型根据用户输入的任务指示 {{query}} 生成初步应答 [1]。
2. 提取并规划验证问题（Verification Planning）：模型将草稿拆解为若干独立的事实断言，并针对每个断言提出中立、开放式的探究性问题，避免提问引导 [1], [2]。
3. 隔离上下文执行验证（Fact Execution）：在隔离初始草稿干扰的独立上下文窗口中解答验证问题，亦可在此阶段引入 RAG 检索工具强化核查 [1], [2]。
4. 最终响应合成（Final Synthesis）：对比初始草稿与验证答案，纠正错漏并整合输出最终高质量文本 [1], [3]。

变量说明

• {{query}}：需要回答的具体问题、写作主题或信息检索指令。
• {{search_tool}}：（可选）在验证阶段调用的外部搜索引擎或数据库检索接口。

使用方法

1. 将提示词模板填入支持多步骤推理或工作流编排的 LLM 平台（如 LangChain、Dify 或直接提示多轮对话）。
2. 在 {{query}} 中填入高风险事实查询任务，例如"介绍 {{target_entity}} 的主要学术贡献与生卒年份"。
3. 确保第三阶段执行时，模型无法"偷看"第一阶段的草稿文本，避免产生自我确认偏见 [1]。

质量检查

• 提问中立性检查：确认验证问题是否为开放式（如"该项目的启动年份是哪一年？"），若生成了引导性或二元"yes/no"提问，需触发重试机制 [2], [3]。
• 幻觉残留与盲区风险：请注意，如果模型的参数知识库本身缺乏相关事实且未接入 RAG 工具，自主验证仍可能失效 [2]。此外，多轮交互会增加明显的 token 消耗与延迟 [1]。
• 收益衡量：尽管延迟增加，但实证评估表明，在关键任务中该工作流可降低 30% 至 80% 的事实幻觉率 [1], [2]。

参考来源

1. Jarroba (2026-07-11) - Operational flow of the Chain-of-Verification (CoVe) method. https://jarroba.com/operational-flow-chain-of-verification-cove-method
2. Intuition Labs (2026-08-08) - LLM Hallucination Mitigation with Chain-of-Verification Prompting. https://intuitionlabs.ai/articles/llm-hallucination-mitigation-cove
3. GitHub (2026-06-15) - Chain-of-Verification (CoVe) Prompting Templates & Workflows. https://github.com/KalyanKS/Chain-of-Verification-Prompting