本来只是做一个非常简单的agent：小学语文词语听写。在agent中已经把词语表以txt文本方式添加到知识库了，听写开始的时候也让豆包把当前要听写的这课的词语复述一遍（不到20个词语），确认没有错了。但几轮对话下来，豆包就开始幻觉了，不但词语乱编，而且问他听写的是第几课的它都不记得了，问他听写的是几年级的，它也不记得了。

1. 为什么会发生这种现象？

• 窗口记忆模糊（Context Window）： 虽然你开头喂了数据，但随着对话轮次的增加（你一言我一语的“写好了”），模型需要处理的对话历史越来越长。当重点信息（原始词表）在记忆中被大量重复的“写好了”冲淡时，它可能会丢失关联。

• 概率预测机制： AI本质上是在预测下一个字出现的概率。当你要求它“听写”时，它脑子里除了你给的词表，还有海量的互联网语料。一旦它“忘了”看你的词表，它就会根据“小学语文”这个标签，在大脑里随机抽取它认为常见的词语来填充。

• 指令漂移： 频繁的简短交互（如“下一个”、“写好了”）容易让模型进入一种“自动驾驶”状态，忽略了最初设定的严苛约束条件。

2. 如何让AI保持正确输出？（实操技巧）

要让豆包这种模型乖乖听话，你可以尝试以下“调教”方案：

方案一：使用“分段编号”强制锁定

不要只给它一堆词，要给每个词加编号。

示例指令： “现在开始听写第三课，词表如下：1.苹果，2.森林... 请严格按照编号顺序念，每次只念一个词。在我回复‘1已写好’后，你再念第2个。严禁自行发挥，严禁跳过编号。”

方案二：定期“提醒”上下文

如果听写词语很多，每隔5-10个词，你可以主动刷新它的记忆。

你的回复： “第5个写好了。请继续听写第三课词表的第6个。记得我们要对照最开始那份名单。”

方案三：采用“结构化提示词”（最推荐）

在开始前，给它立个规矩，明确告诉它如果忘了词表该怎么办。

Prompt参考： “你现在是一名严谨的小学语文老师。

1. 听写范围仅限于我提供的这份词表：[贴入词表]。

2. 交互流程：你念词 -> 我回‘好’ -> 你念下一个。

3. 核心准则： 如果词表念完了，请直接告诉我‘听写结束’，绝对不能编造词语。如果你不确定下一词是什么，请询问我，不要盲目输出。”

---

3. 进阶建议

如果豆包在长对话中依然表现不稳定，这可能是由于该模型在**长文本注意力（Attention Mechanism）**上的局限。

• 试试“一课一开”： 听写完第一课，直接开启一个新对话（New Chat），重新喂第二课的词表。这能彻底清空之前的干扰信息，保持AI的最佳状态。

• 检查数据格式： 喂词表时，使用换行或分号隔开，比一坨文字堆在一起效果要好得多。

================

在 Coze（扣子）平台上，你可以通过以下四个维度深度优化，彻底堵住“幻觉”的漏洞：

一、 知识库（Knowledge Base）的底层优化

AI 乱报词语，通常是因为它没有“读”准你的文档。

• 数据格式标准化： 建议不要直接上传长篇 Word/TXT。推荐使用 Excel 或 CSV表格，表头设置为：册别、单元、课序、课名、词语列表。

  • 原理： 表格数据在 Coze 中会被处理成结构化数据，AI 检索“三年级下册-第5课”时，匹配精度远高于纯文本。

• 分段策略： 在上传设置里，选择“按行分段”或“按特定符号分段”，确保每一课是一个独立的数据块（Chunk）。

---

二、 逻辑调优：引入“状态变量”思维

AI 容易错，是因为它每一轮都在重新猜。你在提示词里加入**【强制查询指令】**：

优化建议： 在“逐个字词听写”环节增加一条逻辑： “每次播报下一个字词前，必须重新对照你已整合的‘最终听写清单’，严禁根据记忆推测。 如果用户回复‘写好了’，你的思考路径必须是：[当前序号 + 1] -> [查询清单对应内容] -> [播报]。”

---

三、 引入 Coze “工作流”（Workflow）—— 终极方案

如果只靠“人设（Prompt）”，AI 聊久了确实会累。要实现 100% 准确，最稳妥的方法是在 Coze 里创建一个工作流。

1. 输入层： 用户选择年级、册别、课号。

2. 查询层： 使用 Knowledge 插件，精准提取该课的词语字符串。

3. 处理层： 使用 Code 节点，把字符串转换成一个数组 ["词语1", "词语2", "词语3"]。

4. 循环层： 配合变量（Variable），记录当前听写到第几个。

   • 优势： 逻辑写死在代码里，AI 只负责朗读，完全失去了“胡说八道”的机会。

---

四、 修改 Prompt 中的关键话术（打补丁）

针对你现有的提示词，建议在“绝对禁止规则”中加入以下高压线：

1. 限定引用范围： 增加“Output strictly based on search results. If the search result is null or inconsistent, stop and ask.（严格基于搜索结果输出。如果结果为空或不一致，立即停下来询问。）”

2. 防止对话拉长导致记忆丢失： 增加“Self-Correction Loop：在播报每一个词语前，先在内心静默核对该词在清单中的索引位置。例如：‘当前是第 3 个，清单第 3 个是 XX，播报 XX’。”

3. 精简确认环节： 听写过程中，让 AI 的回复尽量短（比如只说“第x个：[词语]，写好了吗？”）。对话越短，Token 消耗越慢，记忆保持时间就越长。

---

五、 给你的 Prompt 增加一个“防迷路”机制

在你的“执行核心流程”开头，加入这段话：

重要： 为了防止记忆偏差，在听写过程中，请你在后台始终维护一个隐藏的计数器（如 Current_Index）。每当用户说“下一个”，Current_Index 自动加 1。你输出的每一个词，必须通过查询 Final_List[Current_Index] 获得，禁止进行任何逻辑推理或联想。