- Ảo giác là khi mô hình tạo ra nội dung sai hoặc bịa nhưng trình bày như thật. Giọng chắc chắn không phải bằng chứng.
- Nguyên nhân gốc: mô hình sinh chữ theo xác suất, ưu tiên câu nghe hợp lý chứ không tra cứu sự thật; khi thiếu thông tin, nó thường điền vào chỗ trống.
- Tài liệu Claude khuyên: cho phép trả lời "không biết", bắt trích nguyên văn từ tài liệu, buộc mỗi khẳng định có trích dẫn, và chỉ dùng thông tin trong tài liệu đưa vào.
- Với code, nhiều thứ bịa kiểm được bằng máy: tên hàm có tồn tại không, con số có trong nguồn không, gói thư viện có thật không. Đừng bao giờ cài một gói lạ chỉ vì AI gợi ý.
Bài dùng Python thuần. Các nguồn gồm trang Reduce hallucinations của Claude, mục LLM09:2025 Misinformation của OWASP, bài tổng quan về ảo giác của Ji và cộng sự và tài liệu module importlib, đọc ngày 11/11/2026.
Ảo giác là gì
Trang Reduce hallucinations của Claude mô tả ảo giác là khi ngay cả mô hình tiên tiến nhất đôi lúc tạo ra văn bản sai sự thật hoặc mâu thuẫn với ngữ cảnh được đưa vào. Bài tổng quan của Ji và cộng sự phân biệt hai loại. Loại thứ nhất mâu thuẫn với tài liệu nguồn: bạn đưa một bảng điểm, mô hình nói điểm trung bình khác với bảng. Loại thứ hai thêm vào những điều không có trong nguồn và không kiểm được từ nguồn: mô hình nói điểm "tăng 12% so với năm trước" trong khi bạn chưa hề đưa số liệu năm trước.
Với người học lập trình, ảo giác hay gặp nhất ở dạng tên hàm và tham số không tồn tại, tên thư viện không có thật, đường dẫn tài liệu dẫn tới trang lỗi, phiên bản và ngày phát hành sai, trích dẫn bài báo không có thật. Điểm nguy hiểm là chúng thường trông rất hợp lý: JSON.parse là hàm thật trong JavaScript, nên khi mô hình gợi ý json.parse trong Python, người mới khó nhận ra.
Vì sao AI bịa
Mô hình ngôn ngữ sinh chữ bằng cách chọn token kế tiếp theo xác suất, như bài temperature là gì đã mô tả. Nó học được rằng sau "để đảo ngược danh sách, dùng" thì "reverse" rất hay xuất hiện, và quy tắc đó có thể bị áp nhầm sang chuỗi. Không có bước nào trong quá trình sinh chữ đi tra cứu xem một hàm có tồn tại hay không.
Khi câu hỏi nằm ngoài những gì mô hình biết chắc, hoặc thông tin cần thiết không có trong ngữ cảnh, mô hình vẫn phải viết tiếp. Nếu không được phép nói "không biết", cách dễ nhất là viết ra điều nghe hợp lý nhất. Đó là lý do một trong những cách giảm ảo giác hiệu quả nhất lại đơn giản đến bất ngờ.
Các cách giảm theo tài liệu Claude
Trang Reduce hallucinations nêu ba cách cơ bản. Thứ nhất, cho phép mô hình thừa nhận không chắc chắn, và tài liệu nói cách này có thể giảm mạnh thông tin sai. Trong câu lệnh, hãy viết rõ: nếu tài liệu không đủ thông tin thì nói là không đủ. Thứ hai, với tài liệu dài, yêu cầu mô hình trích nguyên văn những câu liên quan trước rồi mới làm việc dựa trên các câu trích đó. Thứ ba, buộc mỗi khẳng định đi kèm câu trích và nguồn, rồi yêu cầu mô hình tự rà lại: khẳng định nào không tìm được câu trích hỗ trợ thì rút lại. Bài bắt AI trích nguồn dùng tính năng trích dẫn của API để làm việc này một cách chặt chẽ.
Tài liệu cũng nêu vài kỹ thuật nâng cao: bật chế độ suy nghĩ và đọc bản tóm tắt suy nghĩ khi câu trả lời có vẻ sai; chạy cùng câu hỏi nhiều lần rồi so sánh, chỗ các lần trả lời mâu thuẫn nhau là chỗ đáng ngờ; dùng câu trả lời làm đầu vào cho lượt hỏi tiếp để mô hình kiểm lại; dặn mô hình chỉ dùng thông tin trong tài liệu được đưa vào, không dùng hiểu biết chung. Đưa đúng tài liệu vào ngữ cảnh bằng cách tìm kiếm, như bài RAG là gì trình bày, cũng là một cách giảm ảo giác vì mô hình không phải dựa vào trí nhớ. Tài liệu kết thúc bằng một lời nhắc quan trọng: các kỹ thuật này giảm đáng kể nhưng không loại bỏ hoàn toàn ảo giác, nên thông tin quan trọng luôn phải được kiểm.
Gói thư viện bịa: rủi ro bảo mật
Một tên hàm bịa chỉ làm chương trình báo lỗi. Một tên gói bịa có thể nguy hiểm hơn nhiều. Mục LLM09:2025 của OWASP mô tả kịch bản tấn công: kẻ xấu thử các trợ lý lập trình phổ biến để tìm những tên gói thường bị bịa ra, rồi đăng ký các gói độc hại đúng những tên đó lên kho thư viện công khai. Người lập trình làm theo gợi ý, gõ lệnh cài đặt, và đưa mã độc vào dự án mà không hay biết.
Quy tắc rút ra: trước khi cài một gói lạ do AI gợi ý, hãy tra trên pypi.org xem gói có tồn tại không, ai đăng, có bao nhiêu lượt tải, mã nguồn ở đâu, tài liệu có khớp với cách dùng mô hình đưa ra không. Gói không tồn tại thì đừng cài; gói mới đăng gần đây với tên trùng khớp gợi ý của AI thì càng phải cẩn thận.
Ví dụ bằng Python
Chương trình mẫu soát một câu trả lời giả lập, do bài tự viết để có đủ các kiểu lỗi. Hàm ten_ton_tai nhận một tên dạng module.hàm và dò xem nó có thật trên máy không: tìm trong các hàm có sẵn của Python, hoặc nạp module đã cài rồi dò từng thuộc tính. Hàm so_ngoai_nguon tìm các con số có trong câu trả lời mà không có trong văn bản nguồn, coi 7,8 và 7.8 là một. Hàm goi_chua_co đọc lệnh pip install, bỏ qua các tùy chọn như -r requirements.txt, và liệt kê những gói chưa có trên máy. Hàm tra theo tên gói đã cài bằng importlib.metadata chứ không theo tên module, vì hai tên có thể khác nhau: gói pillow được nạp bằng import PIL, gói beautifulsoup4 bằng import bs4.
"""Soát những thứ AI hay bịa trong câu trả lời về lập trình: tên hàm không tồn tại, con số không có trong nguồn,
tên thư viện chưa ai đăng ký. Chỉ dùng thư viện chuẩn.
- ten_ton_tai("math.lcm"): tìm trong hàm có sẵn của Python, hoặc nạp module ĐÃ CÀI trên máy rồi dò từng thuộc tính.
Không bao giờ cài một gói chỉ để kiểm tên: gói lạ có thể là bẫy (xem OWASP LLM09:2025).
- so_ngoai_nguon: con số có trong câu trả lời mà không có trong văn bản nguồn.
- goi_chua_co: tên gói trong lệnh pip install (cả python -m pip install) chưa có trên máy, cần tra trên pypi.org
trước khi cài. Tra theo tên gói đã cài (importlib.metadata), không theo tên module: gói pillow nạp bằng import PIL.
Bỏ qua tùy chọn và giá trị đi kèm (-r requirements.txt, -e ., -i địa chỉ); không đọc các gói nằm trong tệp -r.
Câu trả lời trong chay_thu là GIẢ LẬP, do bài tự viết để có đủ các kiểu lỗi; tên gói "viet-text-normalizer-pro"
do bài tự đặt, ngày 11/11/2026 tra pypi.org trả 404 (chưa ai đăng ký).
"""
import builtins
import importlib
import importlib.metadata
import importlib.util
import re
import shlex
def ten_ton_tai(ten):
phan = ten.split(".")
if hasattr(builtins, phan[0]):
vat, con_lai = getattr(builtins, phan[0]), phan[1:]
else:
for i in range(len(phan), 0, -1):
module = ".".join(phan[:i])
try:
co = importlib.util.find_spec(module) is not None
except (ImportError, ValueError):
co = False
if co:
vat, con_lai = importlib.import_module(module), phan[i:]
break
else:
return False, f"không có module '{phan[0]}' trên máy"
for p in con_lai:
if not hasattr(vat, p):
return False, f"không có '{p}'"
vat = getattr(vat, p)
return True, "có"
def _cac_so(van_ban):
return {s.replace(",", ".") for s in re.findall(r"\d+(?:[.,]\d+)?", van_ban)}
def so_ngoai_nguon(tra_loi, nguon):
return sorted(_cac_so(tra_loi) - _cac_so(nguon), key=float)
# Tùy chọn của pip install đi kèm một giá trị (tệp, thư mục, địa chỉ); giá trị đó không phải tên gói.
CO_GIA_TRI = {"-r", "--requirement", "-c", "--constraint", "-e", "--editable", "-i", "--index-url", "--extra-index-url",
"-f", "--find-links", "-t", "--target", "--prefix", "--root", "--src", "--trusted-host", "--platform",
"--python-version", "--only-binary", "--no-binary"}
TEN_GOI = re.compile(r"[A-Za-z0-9](?:[A-Za-z0-9._-]*[A-Za-z0-9])?")
def _da_cai(goi):
try:
importlib.metadata.distribution(goi) # chỉ đọc thông tin gói đã cài, không nạp code nào
return True
except importlib.metadata.PackageNotFoundError:
return False
def goi_chua_co(lenh):
try:
tu = shlex.split(lenh)
except ValueError: # dấu nháy chưa đóng
tu = lenh.split()
if "install" not in tu:
return []
ten, bo_tiep = [], False
for t in tu[tu.index("install") + 1:]:
if bo_tiep:
bo_tiep = False
elif t.startswith("-"):
bo_tiep = t in CO_GIA_TRI
else:
goc = re.split(r"[=<>!~\[;@\s]", t)[0]
if TEN_GOI.fullmatch(goc): # bỏ đường dẫn, địa chỉ: không phải tên gói trên pypi.org
ten.append(goc)
return [t for t in ten if not _da_cai(t)]
NGUON = "Lớp 10A có 42 học sinh. Điểm trung bình môn Tin học kỳ I là 7,8."
TRA_LOI_GIA = {
"ten": ["str.reverse", "list.reverse", "json.parse", "json.loads", "math.lcm", "math.gcd_many", "statistics.fmean"],
"so": "Lớp 10A có 42 học sinh, điểm trung bình Tin học kỳ I là 8,1, tăng 12% so với năm trước.",
"cai": "pip install viet-text-normalizer-pro",
}
def chay_thu():
dong = []
for ten in TRA_LOI_GIA["ten"]:
co, ly_do = ten_ton_tai(ten)
dong.append(f"{'CÓ ' if co else 'BỊA'} {ten}" + ("" if co else f" ({ly_do})"))
dong.append(f"Số không có trong nguồn: {so_ngoai_nguon(TRA_LOI_GIA['so'], NGUON)}")
dong.append(f"Gói chưa có trên máy, tra pypi.org trước khi cài: {goi_chua_co(TRA_LOI_GIA['cai'])}")
print("\n".join(dong))
return dong
if __name__ == "__main__":
chay_thu()
Trong bảy tên hàm, ba tên bị đánh dấu bịa: str.reverse không tồn tại vì chuỗi trong Python không đổi được tại chỗ; json.parse mượn tên hàm JSON.parse của JavaScript; math.gcd_many là tên tự nghĩ ra. Bốn tên còn lại đều có thật, kể cả math.lcm, có từ Python 3.9. Phần con số bắt được 8,1 và 12: nguồn ghi điểm trung bình là 7,8 và không nói gì về năm trước. Phần lệnh cài báo gói viet-text-normalizer-pro chưa có trên máy; tên này do bài tự đặt, và ngày 11/11/2026 tra pypi.org thì chưa ai đăng ký.
Có hai lưu ý về cách kiểm. Hàm chỉ nạp những module đã cài sẵn trên máy, vì nạp một module là chạy code của nó. Và hàm không bao giờ tự cài gói để kiểm tên, đúng với rủi ro vừa nói ở trên. Một tên không có trên máy chưa chắc là bịa, có thể bạn chỉ chưa cài; khi đó tra tài liệu chính thức của thư viện.
Thói quen nên có
Chạy code AI viết trong môi trường ảo trước khi đưa vào dự án. Đọc thông báo lỗi thay vì dán ngay lại cho AI. Với khẳng định về phiên bản, ngày tháng, giá cả, mở trang chính thức. Với trích dẫn tài liệu hay bài báo, bấm vào đường dẫn xem có mở được và có đúng nội dung không. Bài kiểm chứng việc AI làm có thêm danh sách việc nên kiểm sau mỗi lần nhờ AI.
- Tin câu trả lời vì giọng văn chắc chắn.
- Cài một gói lạ chỉ vì AI gợi ý, không tra trước.
- Ép mô hình phải trả lời mọi câu, không cho phép nói không biết.
- Dùng con số mô hình đưa ra mà không đối chiếu với nguồn.
- Nghĩ rằng một kỹ thuật nào đó loại bỏ hoàn toàn ảo giác.
Câu hỏi thường gặp
Mô hình mới hơn có còn ảo giác không?
Có, ít hơn nhưng vẫn có. Tài liệu Claude nói các kỹ thuật chỉ giảm, không loại bỏ hoàn toàn.
Cho mô hình tìm web có hết bịa không?
Giảm được vì có nguồn để dựa vào, nhưng vẫn cần kiểm câu trả lời có khớp nguồn không.
Làm sao biết một gói Python có thật?
Tra trên pypi.org: xem người đăng, lượt tải, kho mã nguồn và tài liệu.
Ảo giác có phải lỗi lập trình của mô hình không?
Không hẳn. Nó đến từ cách mô hình sinh chữ theo xác suất.
Học tiếp
- Buộc mỗi khẳng định có nguồn: bắt AI trích nguồn.
- Danh sách việc nên kiểm sau khi nhờ AI: kiểm chứng việc AI làm.
- Đưa đúng tài liệu vào ngữ cảnh: RAG là gì.
Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.
Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.


