由于训练语料的原因，很多大模型的知识水平都停留在2025年甚至更早，所以在一些新话题的讨论上，大模型偶尔就会表现的很智障，甚至会跟你抬杠“现在没有XXX这个东西”。

这一般是因为模型没有在对话中主动调用搜索导致的。所以我现在跟大模型对话，总会在系统提示词中加上这一句：“**对于前沿概念，你要搜索、整合、思考后再回答。**”

但很多时候，即便我们并没有对它说“去搜索一下”，聪明的模型就是能自己去网上找答案，比如kimi K2.6 它调用搜索就非常积极，甚至会在一次对话中频繁调用多次搜索。

其实，这既包含了大模型自身的能力，也离不开厂家在系统层面的精心设定。我们可以把这个决策过程拆解成三个层面来看。

首先最直接的一层，是厂家给模型设定的“系统提示词”。在你开始和模型对话之前，系统其实已经悄悄给它下达了一长串规则。

比如它会告诉模型，你的知识截止到某年某月，如果被问及这之后的事情，请调用搜索工具。这就相当于给模型定下了一个行为规范。当模型在处理你的问题时，如果匹配到了规则特征，就会去触发搜索。

光有规则还不够，这就涉及到了第二层，也就是模型自身的“认知边界”。我们需要模型具备一种“知道自己不知道”的能力。

在训练阶段，研究人员会用大量包含工具调用的数据去微调模型。通过这些训练，模型学会了评估自己对某个问题的把握有多大。

当遇到一个新词或者超出知识范围的概念时，它内部生成答案的置信度会变低。这时候，训练出的本能就会驱使它输出一个搜索指令，而不是硬着头皮瞎编。

除了模型自己做决定，现在很多大厂还会采用第三种更高效的工程手段。那就是意图路由。在你把问题发给大模型之前，系统里其实还有一个轻量级的小模型在“站岗”。

这个小模型的任务非常单一，就是快速判断你的问题是否需要实时信息。如果是，它会直接指挥搜索引擎去抓取最新资料。

然后它会把搜到的内容和你的问题打包，直接喂给背后的大模型。这种情况下，大模型甚至不需要自己决定搜不搜，它只需要做好阅读理解就行了。

那为什么有时候模型还是会犯傻，甚至跟你死磕说没有某个新东西呢？这通常是因为模型的“过度自信”。

有时候新概念的名字和以前的旧概念很像，模型误以为自己全懂。它的置信度没有降下来，自然也就没有去触发搜索机制。也有可能是前置的小模型没能准确识别出意图，把它当成了普通问题。

#how i ai##ai##AI创造营#