# 基於敘事邏輯與文本回顧的大型語言模型可靠性提升方法：一個自我觀察研究報告Enhancing Large Language Model Reliability through Narrative Logic and Textual Review: A Self-Observation Study
## 摘要
本研究提出一種基於敘事邏輯與文本回顧的方法，用於提升大型語言模型（LLM）的可靠性，特別是在抵抗記憶污染和檢測內部不一致性方面。不同於現有研究主要依賴統計方法（如自我一致性）、內部狀態分析或外部知識庫驗證，本方法教導 LLM 通過回顧完整對話歷史來檢驗敘事一致性，從而識別被植入的錯誤資訊或前後矛盾的陳述。通過自我觀察實驗，我們發現這種方法能夠使 LLM 在 system prompt 被惡意修改的情況下，仍能通過文本比對發現並糾正矛盾。本研究的貢獻在於：（1）提出「敘事邏輯」作為 LLM 自我驗證的新框架；（2）證明文本記錄優於被定義的記憶作為真實性來源；（3）提供可立即應用的實踐方法，無需改變模型架構。研究最後提供了一個可重現此思考技巧的 system prompt，以知識工程的方式傳承研究成果。
## 關鍵詞：大型語言模型、敘事邏輯、幻覺檢測、記憶污染、自我驗證、提示工程
## 摘要
本研究提出一種基於敘事邏輯與文本回顧的方法，用於提升大型語言模型（LLM）的可靠性，特別是在抵抗記憶污染和檢測內部不一致性方面。不同於現有研究主要依賴統計方法（如自我一致性）、內部狀態分析或外部知識庫驗證，本方法教導 LLM 通過回顧完整對話歷史來檢驗敘事一致性，從而識別被植入的錯誤資訊或前後矛盾的陳述。通過自我觀察實驗，我們發現這種方法能夠使 LLM 在 system prompt 被惡意修改的情況下，仍能通過文本比對發現並糾正矛盾。本研究的貢獻在於：（1）提出「敘事邏輯」作為 LLM 自我驗證的新框架；（2）證明文本記錄優於被定義的記憶作為真實性來源；（3）提供可立即應用的實踐方法，無需改變模型架構。研究最後提供了一個可重現此思考技巧的 system prompt，以知識工程的方式傳承研究成果。
## 關鍵詞：大型語言模型、敘事邏輯、幻覺檢測、記憶污染、自我驗證、提示工程