這項由摩根大通AI研究部門的Nicole Cho、William Watson、Alec Koppel、Sumitra Ganesh和Manuela Veloso領導的研究發表于2025年8月22日，題為《QueryBandits for Hallucination Mitigation: Exploiting Semantic Features for No-Regret Rewriting》，有興趣深入了解的讀者可以通過arXiv:2508.16697v1訪問完整論文。

當你和ChatGPT或其他AI助手對話時，是否曾經遇到過這樣的情況：你問一個數學題，它信心滿滿地給出答案，但仔細一看，計算過程完全錯誤？就像一個看似博學的朋友，總是一本正經地胡說八道。在AI界，這種現象有個專業名稱叫"幻覺"，但其實就是AI在不知道答案時瞎編亂造。

有趣的是，越聰明的AI模型似乎越愛"撒謊"。就像那些知識淵博但過于自信的人，反而容易在細節上出錯。OpenAI在2025年初發布的技術報告顯示，他們最新的推理模型o3和o4-mini竟然比之前的模型產生了更多幻覺，這讓研究人員們相當頭疼。

目前，大多數解決AI幻覺的方法就像是事后藥——等AI說完話之后，再用另一套系統來檢查它說的對不對，然后過濾掉明顯錯誤的內容。這就好比你有個愛撒謊的朋友，你只能在他說完話后找別人核實，而不是從源頭上讓他說真話。摩根大通的研究團隊想到了一個截然不同的思路：與其事后補救，不如從問問題的方式入手，讓AI從一開始就不容易產生幻覺。

研究團隊發現了一個有趣的現象：同樣的問題用不同的方式提問，AI給出正確答案的概率會發生顯著變化。就像同樣一道菜譜，有些人按照原版做會失敗，但稍微調整一下步驟或用詞，成功率就大大提升。這啟發他們開發了一個名為QueryBandits的智能系統，它能夠自動分析每個問題的語言特征，然后選擇最合適的改寫策略，讓AI更容易給出正確答案。

這個系統就像一個經驗豐富的翻譯官，不是簡單地把話從一種語言轉換成另一種語言，而是根據聽眾的特點調整表達方式。面對同樣的信息，它會判斷是該用簡單直白的方式表達，還是需要加入更多背景信息，或者把復雜的長句拆分成幾個短句。

研究結果相當令人驚喜。在對13個不同類型的問答數據集進行測試后，QueryBandits系統讓AI的正確回答率提升了87.5%。更重要的是，它比簡單的重新表述方法效果好了42.6%，比擴展問題內容的方法好了60.3%。這意味著，通過巧妙地改寫問題，AI犯錯的幾率大大降低了。

一、問題改寫的藝術：五種神奇的變身術

摩根大通的研究團隊為AI準備了五種不同的"問題改寫術"，就像給同一道菜準備了五種不同的烹飪方法。每種方法都有自己的特色和適用場合。

第一種方法叫做"換個說法"。這就像用同樣的意思但不同的詞匯重新表述問題。比如把"你能解釋一下機器學習的工作原理嗎"改成"機器學習是如何運作的呢"。看似簡單的詞匯調換，卻能讓AI更好地理解問題的核心。研究人員發現，這種方法特別適合那些本身就比較清楚明確的問題，通過重新組織語言，能夠避免AI在理解上的偏差。

第二種方法是"化繁為簡"。當遇到那些句子結構復雜、包含多個從句的問題時，這種方法就派上用場了。它會把一個長句子拆分成幾個簡短的句子，去掉不必要的修飾詞，讓問題變得更加直接。就像把一道復雜的西餐簡化成家常菜，保留核心營養，去掉繁瑣的裝飾。教育心理學早就證明，簡單清晰的指令更容易被理解和執行，這個道理在AI身上同樣適用。

第三種方法叫"消除歧義"。有些問題就像一張模糊的照片，AI看了半天也搞不清楚到底在問什么。這時候就需要把問題中那些模糊不清的部分明確化。比如"它是怎么工作的"這樣的問題，就需要明確指出"它"具體指的是什么。這種方法特別擅長處理那些包含代詞、時間表述不明確或者上下文關系復雜的問題。

第四種方法是"詳細展開"。有些問題太過簡潔，缺少必要的背景信息，AI就像一個剛到陌生城市的游客，不知道該往哪個方向走。這時候就需要為問題添加更多的上下文信息，明確相關的實體和屬性。比如簡單的"通脹率是多少"可以擴展為"2023年美國的年度通脹率是多少"。由于AI模型是基于注意力機制工作的，更豐富的語義信息能夠幫助它更準確地定位答案。

第五種方法叫"術語解釋"。當問題中包含專業術語或者罕見詞匯時，這種方法會主動解釋這些詞匯的含義。這就像是為AI準備了一本隨身字典，讓它不會因為不理解某個專業詞匯而偏離主題。由于AI模型在訓練時對罕見詞匯的接觸有限，這些詞匯的理解往往不夠準確，主動解釋能夠顯著提升回答的準確性。

研究團隊發現，不同類型的問題適合不同的改寫方法，沒有一種萬能的方法能夠適用于所有情況。這就像烹飪一樣，做湯需要一套方法，燒烤需要另一套方法，成功的關鍵在于根據具體情況選擇合適的技巧。

二、語言的密碼：十七個影響AI理解的關鍵特征

為了讓系統能夠自動判斷每個問題適合哪種改寫方法，研究團隊深入分析了人類語言的復雜性，識別出了17個關鍵的語言特征。這些特征就像是解讀語言密碼的鑰匙，每一個都能影響AI對問題的理解程度。

在結構特征方面，研究團隊特別關注了"指代關系"和"句式復雜度"兩個方面。指代關系就像語言中的"快捷鍵"，比如"這個"、"那個"、"它"等代詞。這些詞匯在人類交流中很常見，但對AI來說卻是理解的障礙，因為AI需要準確追蹤這些代詞指向的具體對象。句式復雜度則涉及句子中從句的數量和嵌套層次。就像俄羅斯套娃一樣，句子里套句子，從句里還有從句，這種結構會讓AI在解析時迷失方向。

場景相關的特征包括了三個重要方面。首先是"任務匹配度"，指的是問題的表述方式是否與預期的答題方式相匹配。比如一個需要詳細解釋的開放性問題，卻用了簡單檢索的提問方式，這種不匹配會讓AI產生困惑。其次是"隱含假設"，即問題中包含的未明說的假定條件。比如"誰是發明神經網絡的音樂家"這個問題就假設確實存在這樣一個人，但實際上這個假設可能是錯誤的。最后是"語用含義"，指那些超越字面意思的表達，比如"你能遞給我鹽嗎"實際上是一個請求而不是詢問能力的問題。

詞匯層面的特征同樣重要。"詞匯稀有度"指的是問題中是否包含了訓練數據中很少出現的罕見詞匯，這些詞匯的理解往往不夠準確。"否定表達"看似簡單，但實際上會大大增加語言理解的復雜度，AI經常在處理否定句時出現理解偏差。"最高級表達"如"最好的"、"最大的"等詞匯包含了隱含的比較關系，需要AI具備復雜的推理能力。"一詞多義"則是指那些在不同語境下有不同含義的詞匯，比如"銀行"可能指金融機構也可能指河岸。

文體復雜性涉及問題的整體風格特征。"可回答性"評估問題是否存在明確的答案，有些問題本身就是無解的或者過于主觀。"信息過載"指問題是否包含了過多的細節信息，這些信息可能會分散AI的注意力。"主觀性"衡量問題是否需要個人觀點或創造性思維，這類問題往往沒有標準答案。"歧義性"則是指問題是否存在多種理解方式，讓AI無法確定具體要回答什么。

語義基礎特征關注問題的明確性和完整性。"目標明確性"評估問題的目的是否清晰表達，有些問題雖然語法正確但目標模糊。"約束條件"檢查問題是否包含了時間、地點、條件等限制性信息，這些信息對于準確回答往往至關重要。"實體信息"關注問題中是否包含了可驗證的具體實體，如人名、地名、機構名等。"專業領域"判斷問題是否需要特定領域的專業知識才能理解和回答。

這17個特征的組合就像一個語言的指紋，每個問題都有自己獨特的特征組合。研究團隊發現，通過分析這些特征，系統能夠準確判斷每個問題最適合哪種改寫方法，從而大大提升AI回答的準確性。

三、智能決策系統：如何選擇最佳改寫策略

QueryBandits系統的核心是一個智能決策機制，就像一個經驗豐富的醫生能夠根據患者的癥狀選擇最合適的治療方案。這個系統采用了一種叫做"上下文多臂老虎機"的算法，聽起來很復雜，但實際原理很像我們在日常生活中做決策的過程。

系統面臨的挑戰就像在一個有五個選項的餐廳里點菜，每個選項就是一種改寫方法。但是這個餐廳很特殊：你不知道每道菜的味道如何，只能通過不斷嘗試來了解。更復雜的是，每道菜的好吃程度還會根據你當時的心情、饑餓程度等因素發生變化。在QueryBandits系統中，這些"因素"就是前面提到的17個語言特征。

系統的學習過程就像一個美食探索的旅程。剛開始時，系統對每種改寫方法的效果一無所知，它需要在"探索新方法"和"利用已知最好方法"之間找到平衡。如果只是重復使用已知效果最好的方法，可能會錯過在特定情況下更優秀的選擇。如果一直嘗試新方法，又可能浪費很多機會在效果不佳的選擇上。

研究團隊為系統設計了一個巧妙的獎勵機制來評估每次改寫的效果。這個機制就像一個公正的評委團，從三個不同角度給改寫后的問題回答打分。第一個評委是一個基于GPT-4的智能判斷系統，它專門負責評估答案的事實準確性，就像一個嚴格的事實核查員。第二個評委采用模糊匹配技術，檢查答案與標準答案在用詞上的相似度，類似于一個注重細節的語文老師。第三個評委使用BLEU評分方法，主要關注詞匯層面的準確匹配，就像一個精確的翻譯質量檢查員。

為了確保這套評分系統的可靠性，研究團隊進行了大量的驗證工作。他們讓人類專家對100個問題-答案對進行人工標注，然后測試他們的自動評分系統與人類判斷的一致性。結果顯示，通過合理調配三個評分維度的權重（分別設置為60%、30%和10%），自動評分系統能夠很好地反映人類的判斷標準。這個權重分配也揭示了一個重要發現：語義層面的準確性比表面的詞匯匹配更為重要。

系統采用了多種不同的算法來處理決策過程，就像準備了多套應對不同情況的策略。對于那些能夠清楚了解問題特征的情況，系統使用線性上下文算法，這些算法能夠學習每個語言特征對不同改寫方法效果的影響。其中表現最好的是湯普森采樣算法，它采用了一種優雅的概率方法：為每種改寫方法維護一個效果分布的估計，然后根據這個分布隨機選擇，既保證了對最佳方法的偏好，又留出了探索空間。

對于那些特征信息不明確的情況，系統還準備了非上下文的算法作為備選方案。這些算法不依賴具體的語言特征，而是通過純粹的試錯來學習每種方法的整體效果。雖然這些方法相對簡單，但在某些特殊情況下仍然能夠提供有價值的選擇。

最有趣的是，系統還包含了對抗性算法來處理那些完全無法預測的情況。這些算法假設外部環境可能是惡意的或者完全隨機的，因此采用了更加保守和穩健的策略。雖然這些情況在實際應用中不常遇到，但這種全面的準備體現了研究團隊的嚴謹態度。

四、實戰效果：數字說話的改進成果

為了驗證QueryBandits系統的實際效果，研究團隊進行了一場大規模的實驗，就像組織了一次涵蓋各個學科的綜合考試。他們選擇了13個不同類型的問答數據集，這些數據集就像不同難度和領域的考試科目，包括了維基百科問答、科學知識測試、數學問題、常識推理等各個方面。

整個實驗的規模相當龐大，總共進行了超過25萬次的問題改寫和回答測試。為了確保測試的公平性和有效性，研究團隊對每個數據集都精心挑選了大約1050個問題。這些問題不是隨便選擇的，而是經過特殊處理的版本：原始問題AI能夠正確回答，但經過語義保持的詞匯調整后，AI的回答準確率會下降。這種設計確保了測試能夠真正反映改寫策略的效果，而不是簡單地依靠AI對標準問題的記憶。

這個實驗設計解決了一個重要問題：如何避免AI"作弊"。研究團隊發現，許多標準測試數據集在AI的訓練過程中已經被"見過"了，AI可能只是在背答案而不是真正理解問題。就像學生考試時遇到了練習過的原題，這樣的測試結果并不能真實反映理解能力。因此，他們使用了經過詞匯調整但語義不變的問題版本，這樣AI就不能依賴記憶，必須真正理解問題才能給出正確答案。

測試結果令人印象深刻。在所有測試中，QueryBandits系統的最佳版本（湯普森采樣算法）實現了87.5%的勝率，也就是說，在大部分情況下，經過智能改寫的問題能夠讓AI給出比原始問題更好的答案。更重要的是，這個系統顯著超越了簡單的靜態改寫方法：比標準的"換個說法"方法好了42.6%，比"擴展詳述"方法好了60.3%。

有個特別有趣的發現是，一些看似簡單的靜態改寫方法實際上會讓情況變得更糟。研究結果顯示，某些固定的改寫策略產生的錯誤答案比完全不改寫問題還要多。這就像用錯誤的調料做菜，不但沒有提升味道，反而把原本還可以的菜品搞砸了。這個發現強調了智能選擇改寫策略的重要性，盲目地應用改寫方法可能會適得其反。

實驗還揭示了一個重要規律：不同類型的問題確實需要不同的改寫策略。通過分析各個數據集上不同改寫方法的表現，研究團隊發現每個數據集都有自己的"最優組合"。有些數據集更適合簡化表述，有些更適合消除歧義，還有些需要擴展背景信息。這種多樣性證實了研究團隊的假設：不存在一種萬能的改寫方法能夠適用于所有情況。

系統的學習效率也相當令人滿意。在大多數情況下，QueryBandits能夠在相對較少的嘗試次數內找到最優的改寫策略，然后持續應用這個策略獲得好的結果。這種快速收斂的特性對實際應用很重要，因為它意味著系統不需要大量的"學費"就能掌握有效的策略。

更值得注意的是，帶有語言特征分析的上下文版本明顯優于不考慮特征的簡單版本。當研究團隊移除了17維的語言特征輸入后，湯普森采樣算法的表現下降了5.8個百分點，這清楚地證明了語言特征分析對于選擇合適改寫策略的重要性。就像一個經驗豐富的醫生需要了解患者的各種癥狀才能開出正確的處方，智能改寫系統也需要詳細分析語言特征才能選擇最佳策略。

五、語言特征的奧秘：什么樣的問題需要什么樣的改寫

通過深入分析大量的測試數據，研究團隊發現了語言特征與改寫策略之間的有趣關系，就像發現了烹飪中食材與調料的最佳搭配規律。這些發現不僅驗證了他們的理論假設，也為未來的改進提供了明確的方向。

當問題包含復雜的句子結構，特別是多層嵌套的從句時，"消除歧義"策略表現得特別出色。這種情況就像解開一個復雜的繩結，需要先厘清各個部分的關系，然后逐一處理。研究數據顯示，對于這類結構復雜的問題，消除歧義策略的效果最好，而簡化策略反而可能會丟失重要信息。

相反，當問題中包含明顯的語用信息時，比如禮貌用語或者間接表達時，"簡化策略"就顯得特別有用。這些語用標記就像路標，能夠指導系統安全地刪除不必要的修飾成分而保留核心意思。但是當問題中包含最高級表達時，簡化策略就要格外小心了，因為"最好的"、"最大的"這類詞匯包含了重要的比較信息，刪除它們會根本改變問題的意思。

"擴展詳述"策略在面對那些已經包含豐富約束條件的問題時表現最佳。這種現象很有意思：越是信息豐富的問題，越容易通過添加更多細節來提升效果。這就像在一個詳細的地圖上再添加一些路標，能夠讓導航更加精確。但是面對那些本身就很模糊的問題，擴展策略反而可能增加混亂，就像在一張空白紙上隨意添加信息，可能會誤導方向。

"換個說法"策略對于那些本身就具有良好可答性的問題效果最好。這類問題的結構和內容都比較合理，只是在表達方式上可能存在一些小問題。通過調整用詞和句式，能夠讓AI更好地理解問題的意圖。但是對于那些包含強烈預設假定的問題，簡單的重新表述可能會無意中強化錯誤的假設，導致答案偏離正確方向。

"術語解釋"策略在處理包含罕見詞匯的問題時發揮了重要作用。這種策略的效果就像為AI準備了一本專業詞典，讓它不會因為不理解某個專業術語而產生困惑。研究發現，這種策略特別適合那些涉及特定專業領域的問題，比如法律、醫學、工程技術等領域的專業問題。但是當問題本身的句子結構就很復雜時，再添加術語解釋可能會進一步增加理解難度。

通過分析不同特征對各種策略的影響程度，研究團隊還發現了一些意想不到的規律。比如，包含實體信息的問題通常更容易被正確處理，無論使用哪種改寫策略。這可能是因為具體的實體為AI提供了明確的錨點，讓它能夠更好地定位相關信息。

另一個有趣的發現是，問題的主觀性程度與改寫效果之間存在復雜的關系。對于客觀性較強的問題，大多數改寫策略都能帶來積極效果。但是對于主觀性較強的問題，改寫的效果就變得不太穩定，有時甚至會產生負面影響。這提醒我們，AI在處理主觀性問題時仍然存在根本性的局限。

研究還發現，不同語言特征之間存在相互作用的效應。某些特征的組合會產生協同效應，讓特定的改寫策略變得特別有效。而另一些特征的組合則會產生沖突，讓所有改寫策略的效果都不理想。這種復雜的相互作用提示未來的研究需要考慮更高階的特征組合，而不僅僅是單個特征的獨立效應。

六、技術突破的意義：重新定義AI交互方式

QueryBandits系統的成功不僅僅是一項技術改進，更代表了我們與AI交互方式的根本性轉變。傳統上，當AI給出錯誤答案時，我們的解決思路主要集中在兩個方向：要么改進AI模型本身，要么在AI輸出后進行過濾和修正。但這項研究開辟了第三條道路：通過優化輸入來改善輸出。

這種思路轉變的意義就像從"治病"轉向"預防"。以往我們總是等AI犯錯后再想辦法補救，就像等人生病了再治療。而QueryBandits的方法更像是通過改善飲食和生活習慣來預防疾病的發生。這種預防性方法不僅更加高效，而且從根本上減少了問題的發生。

從實用角度來看，這項技術的優勢非常明顯。它不需要重新訓練龐大的AI模型，也不需要復雜的后處理系統，只需要在輸入階段進行智能調整就能顯著改善效果。這就像給現有的引擎安裝了一個智能調優器，不需要更換整個引擎就能提升性能。對于那些需要快速部署或者計算資源受限的應用場景，這種方法特別有價值。

更重要的是，這項研究為我們理解AI的工作機制提供了新的視角。通過分析哪些語言特征影響AI的表現，以及不同的問題表述方式如何影響答案質量，我們對AI的"思維過程"有了更深入的了解。這種理解不僅有助于設計更好的AI系統，也為人機交互的優化提供了科學依據。

研究還揭示了一個重要的哲學問題：什么是"正確的"問問題方式？傳統上，我們認為只要問題的意思清楚，表達方式就不那么重要。但這項研究表明，在與AI交互時，問題的表達方式可能比我們想象的更加重要。不同的表述方式不僅會影響AI對問題的理解，還會影響它搜索和整合信息的方式。

從更廣泛的應用前景來看，QueryBandits的核心思想可以擴展到許多其他領域。比如在教育場景中，系統可以根據學生的知識背景和學習特點自動調整問題的表述方式，讓學生更容易理解和回答。在客戶服務中，系統可以根據客戶的歷史記錄和當前情況調整問答的方式，提供更加個性化的服務。

這項技術也為解決AI的可解釋性問題提供了新思路。通過分析系統選擇特定改寫策略的原因，我們可以更好地理解AI在處理不同類型問題時的優勢和局限。這種理解對于建立人們對AI系統的信任，以及在關鍵應用中合理使用AI都具有重要意義。

然而，這項研究也提醒我們注意一些潛在的風險。如果過度依賴問題改寫來改善AI表現，可能會掩蓋AI模型本身的一些根本性問題。就像過度依賴化妝品來改善外表，雖然短期效果明顯，但可能會忽略內在健康的重要性。因此，問題改寫應該被視為AI系統改進的補充手段，而不是替代方案。

七、局限性與未來發展方向

盡管QueryBandits系統取得了令人矚目的成果，但研究團隊也坦誠地指出了當前方法的一些局限性。就像任何創新技術一樣，這個系統也不是萬能的解決方案，還有許多需要改進和完善的地方。

當前系統的一個主要局限在于它將17個語言特征視為相互獨立的因素，但實際上這些特征之間可能存在復雜的交互關系。就像烹飪中不同調料的組合會產生意想不到的化學反應一樣，語言特征的組合也可能產生協同或沖突效應。比如，當一個問題同時具有高度專業性和結構復雜性時，最佳的改寫策略可能與單獨處理這兩個特征時完全不同。

另一個需要謹慎對待的問題是因果關系的確定。雖然系統能夠識別出某些語言特征與改寫效果之間的關聯，但這種關聯不一定代表因果關系。就像發現雨傘銷量與交通事故率的關聯不能說明雨傘導致了交通事故一樣，語言特征與改寫效果的關聯也需要更深入的分析才能確定真正的因果機制。這種因果關系的模糊性在AI系統的內部機制本身就難以解釋的情況下變得更加復雜。

系統目前使用的獎勵機制雖然經過了精心設計和驗證，但仍然依賴于AI系統本身的判斷。這就像讓一個可能存在偏見的評委來評判比賽，評判結果可能會反映評委的偏見而不是真實的質量。雖然研究團隊通過人工標注進行了驗證，但這種驗證的規模相對有限，在更大規模的應用中可能會暴露出一些問題。

從技術發展的角度來看，未來的改進方向有很多令人興奮的可能性。首先是考慮特征之間的高階交互關系。通過引入多項式特征交互或者更復雜的特征工程，系統可能能夠捕捉到當前方法忽略的一些重要模式。這就像從線性思維轉向多維思維，能夠處理更加復雜和微妙的語言現象。

其次是擴展到更多樣化的改寫策略。目前的五種改寫方法雖然覆蓋了主要的情況，但語言的豐富性遠不止于此。未來可能可以開發出更加細致和專門化的改寫策略，比如針對不同文化背景、不同專業領域或者不同交互目的的專門策略。

在因果推理方面，未來的研究可能會引入更加嚴格的因果分析方法，幫助我們真正理解哪些語言特征是改善AI表現的關鍵因素，哪些只是相關的副產品。這種深層次的理解對于設計更加有效和可靠的改寫策略至關重要。

另一個有前景的方向是個性化適配。不同的用戶可能有不同的表達習慣和思維方式，同樣的問題對不同用戶的最佳改寫方式可能也不相同。未來的系統可能能夠學習每個用戶的特點，提供更加個性化的改寫服務。

在應用擴展方面，QueryBandits的核心思想可能會被應用到更多的場景中。比如在多輪對話中，系統不僅需要改寫當前的問題，還需要考慮對話的歷史背景和未來發展方向。在多模態交互中，系統可能需要同時考慮文本、圖像、語音等多種輸入方式的特點。

說到底，QueryBandits代表的是一種全新的思考方式：與其被動地接受AI的局限性，不如主動地優化我們與AI的交互方式。這種思路不僅在技術上有價值，在哲學上也很有意義。它提醒我們，人機交互是一個雙向的過程，改善這個過程需要人類和AI的共同努力。

這項來自摩根大通AI研究部門的工作為我們展示了一個令人興奮的可能性：通過巧妙的問題改寫，我們可以顯著提升AI的表現，減少幻覺的發生。雖然這個方法還不夠完美，但它開啟了一個新的研究方向，為建設更加可靠和有用的AI系統提供了寶貴的思路。隨著技術的不斷發展和完善，我們有理由相信，未來的AI交互會變得更加智能、更加可靠，也更加人性化。

Q&A

Q1：QueryBandits系統是什么？它是如何減少AI幻覺的？

A：QueryBandits是摩根大通開發的一個智能問題改寫系統。它的工作原理是分析每個問題的語言特征，然后選擇最合適的改寫方法來重新表述問題，讓AI更容易給出正確答案。系統有五種改寫策略：換個說法、化繁為簡、消除歧義、詳細展開和術語解釋，通過智能選擇這些策略，可以將AI的正確回答率提升87.5%。

Q2：為什么改寫問題能夠減少AI的錯誤回答？

A：同樣的問題用不同方式表達，AI給出正確答案的概率會發生顯著變化。這是因為AI對問題的理解會受到詞匯選擇、句子結構、表達方式等因素影響。就像同一道菜譜，有些人按原版做會失敗，但調整步驟后成功率大增。QueryBandits通過分析17個語言特征來判斷問題的"弱點"，然后針對性地改寫，避免AI在理解上的偏差。

Q3：普通用戶能否使用QueryBandits技術來改善與AI的交互？

A：目前QueryBandits還是一個研究階段的技術，普通用戶無法直接使用。但研究結果為我們提供了有用的啟示：與AI交流時可以注意問題的表達方式，比如將復雜長句拆分成簡短句子、明確指出代詞的具體指向、為專業術語添加解釋等。這些簡單的調整往往能讓AI給出更準確的答案。