信网6月24日讯 当AI Agent 开始替人查企业、做尽调、过合规，“模型够不够聪明”早已不是瓶颈——真正致命的，是它会在数据上自信地编：把 A 公司认成 B、把“查无记录”说成“没问题”、没查到时脑补一段看起来很合理的叙事。近日，企查查技术总监杜虎分享了企查查智能体数据平台（agent.qcc.com）的三层反幻觉工程，以及如何应用它让大模型“不敢编、不能编、编了也露馅”。
杜虎表示，当AI Agent 开始替人查企业、做尽调、过合规，一个反直觉的事实摆在面前：制约它的往往不是模型不够聪明，而是它太敢说——在没有依据的地方，它会用和正确答案一样的口吻，把错误答案讲得无比自信。模型越流畅，编得越像真的、越难被一眼识破。
真正能摁住它们的，是模型之外那层工程。“我们把反幻觉工程落成三层防御，外加一层常被忽略的工具描述工程——这套工程就跑在企查查智能体数据平台上。”
杜虎分享了一个真实的案例：一家银行的智能尽调助手接到任务，用户问“查一下这家公司有没有失信”。Agent 拿到名字，去查，返回“未发现失信记录”，于是给出结论——“该主体信用状况良好，可进入下一步”。
问题是它查的根本不是那家公司。要查的企业名字里带着“信息技术”几个字，而在一批名称高度相似的主体里，模型匹配到了另一家只差几个字、确实干净的公司。于是一家本身就有公开失信记录、本应被一眼查出的企业，在 Agent 眼里成了“可以放贷”的优质客户。
“整个过程没有任何一步报错：接口正常返回、模型流畅作答、结论看起来专业得无可挑剔。这恰恰是企业级 Agent 最危险的地方——返回了数据，不等于返回了可信的数据。模型不会告诉你它查错了人，它只会把错误答案说得和正确答案一样自信。”
针对上述问题，杜虎介绍了企查查的“三层反幻觉工程”。
第一层是实体强锚定，先锁定“你查的到底是谁”。企查查的做法是，任何风险类调用之前，强制先做实体识别、锁定 18 位统一社会信用代码。名称只要存在微差、或命中多个高度相似主体，业务工具不会“猜一个最像的返回”，而是停下来——要么返回候选清单交由上层确认，要么返回明确的“未唯一匹配”。一句话：宁可不给，也不给错。
第二层是强语义负向防御，把“空数据”变成“强信号”。传统接口查不到时，返回一个空数组 。这对人没问题，对大模型却是灾难。企查查的做法是把空结果转成带明确语义的状态码。模型读到的不再是一个冷冰冰的空结果，而是一句有方向的话：已全量核查、当前未发现、可继续下一步。它不需要，也不会再去“猜”这个空到底意味着什么。
第三层是上下文脱水，少喂、喂准，省 token 也降幻觉。传统接口习惯把一整页原始数据一股脑塞给模型。数据量一大，两件坏事同时发生：token 烧得快、上下文被占满；关键信息淹没在噪音里，模型更容易抓错重点，甚至在超长截断之后“脑补”被截掉的那部分。企查查的做法叫上下文脱水：不返回原始JSON 堆，返回“摘要先导 + 按需明细”。
杜虎说，即使有如上“三层反幻觉工程”，也只解决了单次调用可信的问题。当平台的工具一多，幻觉就冒出来了。要想解决这个问题，靠的是工具描述工程。用户说“查 X”且没有历史限定时，默认只调当前那个；只有出现“曾经 / 历史 / 已移出”这类词，才去调历史那个。另外， 工具描述只陈述客观事实，绝不替客户写业务决策。
企查查用三件事来确认AI Agent真的有效，而不是“看起来有效”：AI 测试 AI，主动拿真实的 AI 客户端，按典型问句成批跑；双源核验，任何判定要有两个独立来源印证；四层穿透，判断一次调用算不算“成功”，要穿透四层，错一层就是事故。
“如果说过去两年大家比的是‘谁的模型更强、谁的提示词更妙’，那么当AI Agent 真的开始替人做有后果的决策时，比的会是另一件事：谁把模型和真实世界之间的那层工程做得更扎实。”杜虎说，对一个企业数据平台来说，这层工程就是反幻觉，强语义负向防御让它“不把空白当没有”，上下文脱水让它“不被噪音带偏”，工具描述工程让它“选对工具、不越界”；四层之上，再压上 AI 测试 AI、双源核验、四层穿透，以及最终那道人工刹车。（信网记者）
[来源：信网 编辑：孙宝震]