1. 引言：Agent 幻觉与 LLM 幻觉的本质差异幻觉（Hallucination）早已不是大语言模型专属的学术问题。当我们把大模型封装成 Agent，接上工具、知识库、记忆和自主规划能力之后，幻觉的危害被成倍放大：一个纯对话模型「编造事实」，最多让用户收到一句错误回答；而一个 Agent「幻觉出一个不存在的工具参数」「幻觉出一段错误的关键数据」「在检索无结果时强行编造证据链」，则可能直接触发转账、写库、发消息、执行命令等真实副作用。因此，Agent 的幻觉治理必须在任务闭环的视角下重新定义。生产环境中，我们要解决的不是「模型偶尔说错话」，而是以下三类更危险的问题：规划幻觉：Agent 错误拆解目标，把任务分解成不可能完成或相互矛盾的子步骤。执行幻觉：调用不存在的工具、传入非法参数、忽略必填字段、伪造调用结果。证据幻觉：检索不到答案时仍然给出言之凿凿的结论，甚至编造引用和出处。业界最强的一批 Agent 产品——OpenAI 的 Assistant/Function Calling、Anthropic Claude 的 Tool Use 与 Citations、Google Gemini 的 Grounding，以及企业级产品 Perplexity、Cursor、Devin 等——已经在生产环境中沉淀出一套可复制、可落地的防幻觉方法。本文将从根因出发，系统梳理这些实践，并给出端到端、可实施的技术方