待验证90% 置信事实时间未知
LLM生成的虚假学术引用往往具有极高的可信外观，作者名、期刊名、年份、标题都遵循合理的分布，但组合结果可能从未真实存在
1
来源数
90%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
Python+LangChain构建AI科研助手：接入MCP消除学术幻觉
youtubeNeuralNine
涉及实体
相关事实
待验证完全虚构的「幽灵引用」约占引用错误的一半，另一类常见错误是标题真实但作者、期刊或年份信息被替换的「部分正确」错误70% 相似待验证低质量的知识库会导致幻觉式引用，即模型看似使用知识库内容实则引用了错误或无关片段68% 相似待验证对关键事实性内容（数字、日期、人名、引用来源）应通过权威渠道进行交叉验证，不应将LLM视为永远正确的知识库67% 相似待验证自动核查能识别完全不存在的虚假引用，但对于「引用真实存在、内容却与论点不符」的问题仍需人工判断66% 相似待验证学术文献检索优先选支持引用溯源的工具（如Perplexity、Consensus、Elicit），返回结果需附带原始论文DOI或期刊链接，否则无法验证信息真实性64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/15629API
curl https://kongchang.com/api/v1/knowledge/claims/15629MCP
get_claim(id=15629)