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。

什麼是 grounding？拆開來看

ground 原本是「地面、根基」的意思。AI 沒有依據時，答案像是飄在空中，不知道是真是假；grounding 就是把答案「落到地面」，給它一個可以踩穩、可以回頭核對的基礎。這個觀念只有三步：

1. 先準備資料：準備一份可信的資料。
2. 把資料一起給 AI：把資料貼進 prompt，和問題一起送出去。
3. 要求 AI 只能依這份資料作答：它的工作從「憑印象回答」變成「從資料裡挑、整理」。

用這個專案的例子對照看看（示意）：

沒有 grounding（閉卷）：

問 AI：「幫我安排今天的午餐。」
AI 答：「建議吃鮪魚飯糰，約 180 大卡。」  ← 哪一家的飯糰？180 從哪來？沒人知道

有 grounding（開書）：

問 AI：「這是今天的候選食物清單（附編號與官方標示），請從裡面挑午餐。」
AI 答：「我選編號 711-001。」  ← 程式用這個編號查回真實的營養資料

差別不在於 AI 變聰明了，而是答案的來源變了：原本是 AI 腦裡的印象，現在是我們手上有出處、可以查的資料。

兩件常見的誤解：

• grounding 不是讓 AI 變得更聽話或更聰明，而是改變它「從哪裡拿答案」。
• grounding 不等於完全不會出錯。AI 仍可能挑到不適合的食物，所以後面還是需要程式碼重新計算、驗證（見 Day19）。

（補充：這類「先找資料、再給 AI 回答」的做法，常會聽到 RAG 這個名詞，概念相近。初學時先記住 grounding 這個「讓答案有依據」的核心就夠了。）

那讓 AI 自己上網搜尋，不行嗎？

不過依據平常用 ChatGPT 的經驗，它明明有時也會到網路搜尋資料，還會顯示「正在搜尋某某網站」。這其實也是 grounding 的一種（有人稱為搜尋式 grounding），所以「AI 查資料」這件事本身是真的存在、也有用的。那為什麼這個專案還要自己建一份 Food DB？因為搜尋只解決了「AI 手上有沒有資料」，沒有解決下面這幾件事：

• 搜到之後，還是 AI 自己「讀完再轉述」：
  它可能抓錯欄位、把整盒的熱量當成一份，或把別的品項數字混進來。幻覺從「憑印象編」變成「讀錯再編」，風險降低了，但沒有消失。
• 來源品質不一：
  同一個品項，可能搜到官網、部落格、健身 App，數字各不相同，還可能是舊版資料。AI 沒有標準判斷哪個才對。
• 一樣不可重現：
  同一個問題問兩次，這次搜到 A 網站、下次搜到 B 網站，數字就不同，跟 Day19 的問題一樣。
• 我們需要「程式能直接計算」的資料：
  網頁是雜亂的文字，而我們要的是固定欄位、有編號的結構化資料，才能用代換表公式精確算出六大類份數（見 Day18）。
• 我們要「先篩選再給 AI」：
  菜單要符合每餐的熱量預算、使用者的忌口和餐次規則（例如早餐不要出現水餃），這是程式先從 Food DB 篩出候選清單再給 AI，網路搜尋做不到這種精準控制。
• 速度與成本：
  這個專案跑在 API Gateway 上，有 29 秒的回應時間上限，每餐都上網搜尋會拖慢、變貴，還可能失敗；查自己的資料庫快又穩。

簡單說，搜尋是「請 AI 自己去圖書館找書」，而 Food DB 是「我們先把正確的書擺在它桌上，而且只讓它從這幾本挑」。

🔧 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。