Prompt 寫得再好，AI 也不知道一份「蔥鹽雞肉沙拉」的真實碳水量

Day19 講完 hallucination 的本質：為什麼不能相信 AI 給的營養數字。這篇要再往前問一步——AI 為什麼會給錯？ 很多時候不是它不夠聰明，而是它手上根本沒有正確答案可以參考。

🧱 地基概念

「知識」跟「事實」是兩種不同的東西

AI 學到的是「知識」：漢堡大概是高熱量食物、蔬菜大多低熱量，這類常識它很清楚。但系統需要的是「事實」：某一家店的某一個品項，精確是幾大卡、幾克蛋白質。這種具體數字，只有品牌官網的營養標示才有，AI 沒看過，也不可能生成出正確的版本。

可以用考試來比喻：閉卷考試靠記憶作答，開書考試可以翻課本查表。 早期的菜單生成，等於叫 AI 閉卷回答；後來的做法，是幫它把課本準備好。

Grounding：讓 AI 從你給的資料裡選，而不是憑印象講

這種「先準備一份可信資料，再讓 AI 依據這份資料回答」的做法，一般稱為 grounding（可以理解成「讓答案有依據」）。這個專案的 Food DB，就是在做這件事。

🔧 實際操作

早期版本：AI 自己估算，哪裡出了問題

最早的菜單生成，AI 只能靠自己的知識估算「一個麥當勞漢堡大概有多少熱量」。對簡單的食物（一顆蛋、一片吐司）還算堪用；但對複合菜色（一個漢堡、一個便當）風險就很大，因為 AI 對「這個品牌的這個品項」根本沒有精確資料，它給的數字本質上是憑常識推測，跟「查表得到的真實數字」是兩回事。

後來的轉變：建一份真實食物資料庫（Food DB）

解決 hallucination 不能只靠「叫 AI 小心一點」或「把 prompt 寫得更精確」。真正的解法是給它一份可信的資料可以查：把品牌官網的營養標示整理成資料庫，菜單生成時先從裡面篩出候選食物，AI 只負責在候選清單裡挑選（這就是 Day15 講的第二次呼叫的輸入之一）。

小結

這篇的重點是一個心態上的轉變：AI 最大的問題不一定是它不夠聰明，而是它手上沒有正確答案。 與其期待 AI 生成事實，不如先把事實準備好，再遞給它。接下來要分享的，就是這份 Food DB 從設計、蒐集到存放的完整過程，下一篇先從「資料要長什麼樣子」開始。