零售企业把 LLM 库存推荐平台幻觉率从 15% 降到 1.5%

2026 年 10 月 17 日，InfoQ 中文发表了一篇题为《生产级大模型平台工程实战手册》的文章，讲述一家大型零售企业的库存准确性平台如何把基于 LLM 的库存推荐系统幻觉率降下来。据文中描述，该系统投入生产运行的第一个月末，约 15% 的智能体返回结果是幻觉，即内容听起来言之凿凿却毫无事实依据；六个月后，这一比例降到 1.5%。

文章称，推动这一数字下降的关键并非换用更强大的基础模型，而是团队做出的一个架构决定：不再把大模型相关能力当作应用层的业务问题，而是当作平台基础设施来对待。该平台由业务、产品、软件工程师、数据科学家和数据工程专家共同构建，目前服务于数十个应用团队，覆盖库存审计、补货审查、差异分诊等场景，并对 Gemini、GPT 等基础模型进行统一路由与治理。系统对数百万 SKU、数十亿条历史库存记录中的异常信号进行分析，为业务方生成库存修正建议。

文章还提到，文中所述的基础组件均在配套的 GitHub 代码库中提供实现，代码刻意设计为无隐藏抽象层，把内部运作逻辑全部暴露出来，以保证工程范式清晰易懂；代码库与生产环境之间存在一处刻意设计的差异。报道未说明该零售企业的名称，也未给出幻觉率统计口径等更多细节。