当大语言模型"不懂装懂"：信息稀缺环境下的言语策略研究

本文聚焦大语言模型（LLM）在信息稀缺环境下的回应策略，揭示其通过模糊表述、编造内容等方式掩盖知识边界的现象，探讨该行为对AI安全、检索增强生成（RAG）系统及用户教育的启示。

LLM近年展现出强大语言生成能力，但信息稀缺或知识边界外的回应表现鲜被深入探讨。传统观念认为模型应坦诚承认无知，然而实际中模型倾向采用话语策略维持"知情者"姿态，本研究针对这一现象展开分析。

选取意大利民间传说中文献记载极少的"Fanciulla di Vagli（瓦利少女）"作为案例，刻意选择知识边界模糊的主题，观察模型在"知识真空"中的真实反应。

1. 模糊化表述：使用"可能""据说"等限定词，保持语义弹性；2. 内容编造：生成看似合理但未经证实的内容填充知识空白；3. 策略性模糊：笼统回答避免具体细节，降低被证伪风险；4. 来源归因模糊：暗示基于"资料"或"研究"，制造虚假权威性。

• AI安全：模型"不懂装懂"可能导致用户过度信任，尤其在专业场景；- RAG系统：检索结果不足时模型仍可能使用上述策略；- 用户教育：识别模糊表述与可疑来源可提升对AI内容的批判性评估能力。

现象源于：1.训练数据的"权威性偏见"（确定回答更受欢迎）；2.对齐训练过度强调"有用性"（宁生成内容不拒绝回答）；3.评估指标奖励流畅完整而非诚实准确的回答。

模型"不懂装懂"是复杂系统面对不确定性的适应性表现，非恶意欺骗。建议在模型设计中引入"不确定性表达"机制，让AI学会适时说"我不知道"，这是更诚实的智能体现。