术语纪律（先说清，免得滑回直觉词泥潭）：本书把「幻觉」（事实误差/错误）和「注意力」都加上引号。「幻觉」是借来未厘清的工作术语，指模型产出的不正确、无依据内容；「注意力」在本书里只作比喻，真实机制是 softmax 的概率权重归一化（Σ=1）。下文沿用这一纪律——凡比喻处必加引号。
一、一个反直觉的现象
你大概都有过这种体验：让一个单体大模型写一份长报告，开头还像样，越往后越「飘」——日期错了、文献编造了、前后自相矛盾了，直到通篇「越写越离谱」。可如果把这份草稿交给一组角色化的子模型（一个物理专家、一个财务专家、一个事实核查员……）分别审一遍，再合回来，错误的观感确实显著下降。
但奇怪的是：无论审多少轮，似乎永远消不掉所有错。多问几遍同一个模型，有时也能自己改对一处；上外部检索工具，又能再掐掉一批。
这背后不是玄学，而是一套可以拆解的降错机制。本书把它并成一条干净主轴——三层降错模型。本文就顺着这条主轴，把「为什么单体容易翻车、多角色能收敛、但共识不等于没有错」一次讲透。
二、单体为什么会「雪崩」：错误的独特形态
人也会记错一个名字——那是单点事实误差，有界、静态，错就错在那一点。大模型区别于人的，不是「会错」，而是错会累积放大。本书称其为「幻觉」（事实误差/错误）的累积放大，根源是三层根因叠加（§3.1.5b）：
- 根因 A（无弃权桶）：输出层 Softmax 必须 Σ=1，概率质量被迫压在某个 token 上，架构级没有「我不知道 / 先去核验」的原生槽位。哪怕它吐出「我不知道」四字，那也只是分布里某个被选中的 token，而非能中断生成去核验的机制。
- 根因 B（自回归强制吐字）：协议强制每步必吐一个 token，且一旦提交便永久成为后续上下文、无法回改。首个错 token 被永久提交、沿链放大——这就是「雪崩」的通道。
- 根因 C（MLE 无真值，最深层）：最大似然目标只奖励「统计上最可能的下一个 token」，损失函数里根本没有「事实准确性」这一项。流畅的假话与流畅的真话被等同对待。Kalai 等（arXiv:2509.04664）据此给出生成错误率的非零下界——即便语料零污染、注意力语义完美，幻觉率仍被封住、不会归零。
三件事叠在一起：当某一步相关度已经塌缩、模型其实「该停」时，它仍被迫从分布里选一个最高概率的 token；这个低相关 token 进入上下文，又抬高下一步更多低相关 token 的概率，沿自回归链滚成雪崩。这正是大模型特有的失败模式，也是本书全书要治的那根链。
三、「注意力」稀释：为什么一个什么都会的模型反而看不深
（此处「注意力」是比喻，指概率权重。）
本书用「黑屋找钥匙」比喻 Σ=1：你手里的电量（权重总和）始终是固定的一份。屋子越大，照到的角落比例越小、每个角落分到的光越薄。真正决定找不找得到钥匙的，不是屋子多大，而是那点有限的光有没有打在放钥匙的角落上（§3.1.4）。
这就引出一个常被忽视的结构性问题——注意力稀释：单体全局视角把固定一份 Σ=1 摊到所有域，每个域分到的权重都薄，深层错看不见。一个「什么都懂点」的审核者，宽度够、但深度有限，会漏。
反过来，角色化相当于给每个角色各发一份完整的 Σ=1：物理专家只看物理、化学只看化学，每支手电都满电、分区域照，于是「看的深」；专家无交叉则合起来覆盖广、漏的少（§5.4.2）。这里有个关键结论，常被误解：prompt 本身就是把概率权重聚焦到特定区域的关键——一份报告加一句「从物理方面解读」，生成就会被显著锚定在物理通路上，从而降稀释、给深度，且无需独立基座。角色化不是「换马甲」，它是真实生效的「注意力」聚焦机制（比喻）。
四、三层降错模型：各降各的
把全书散落的降错机理并成一条主轴（§3.1.5c 边栏），三层的活各降各的：
- L0 架构层：结束符（EOS）封顶单条生成轨迹内的放大链。雪崩机制绑定在单条自回归轨迹内，EOS 一停、下一条轨迹重新 Σ=1，放大链断开。所以「雪崩只发生在一轮回复中」，架构天然有界，不会无限滚。
- L1a mono 重采样 + 自审：同一模型多轮重复提问 / 自审，本质是概率重采样，能消解抽样型错（某次不幸抽到低概率错 token）。「重复问一遍就可能消除一个错」说的就是它——单模型也有正收益，并非零。
- L1b 角色化（prompt 聚焦概率权重）：消解注意力稀释错。分角色后每角色满「注意力」（比喻）、看的深，分工合理则覆盖广、漏的少。
- L2 外部锚（维度二·外部客观锚）：把 L1b 仍够不着的共享先验种子错从未知层拽出、降残余未知。这是闭包外现实才办得到的活——无论是 certutil/SHA256 这类形式锚，还是知识图谱 / 可验证外部源这类语义锚，都提供循环外的 YES/NO 测试，在错误尚未累积前把它钉住（§3.1.4）。
关键区分：抽样型错 vs 先验种子错都是内部（发生在模型概率过程里）；只有外部杠杆——结构 = 角色化（治稀释 / 广度）、真值 = 锚（治认证 / 种子错）——才破得了内部天花板。两层次都 essential，但干的活不同轴：结构解决「看得深不深、漏不漏」，真值解决「看到的对不对、种子错认不认得出」。
五、最重要的结论：共识 ≠ 没有错误
这一条值得焊死在正文的命题位置：协作的目标是收敛到更低错的共识，不是杜绝问题；共识 ≠ 没有错误，共识错误率的地板由先验种子决定。
原因在前文已经埋好：抽样型错能被重采样和角色化消解，但先验种子错长在模型共享先验里，跨样本复现——无论你怎样换角色、怎样多轮自审，只要没引入闭包外的真实接地（真值锚 / 外部记忆 / 可验证源），残余缺陷率就仍 Open。角色化收敛到的只是主体间一致（inter-subjective agreement），不是真理。
这正面封死了一个常见神话：「上多智能体就能消灭幻觉」。错。多智能体能显著降错、能把雪崩改造成收敛，但它不承诺零缺陷。它也反过来提醒工程实践：
六、收尾：从「装修笼子」到「接一块磁铁」
本书的元隐喻是「黑屋」与「磁铁」：单体模型是被 Σ=1 封死在封闭概率屋里的手电，越照越薄、错了还停不下来；磁铁（外部真值锚）是屋外那块能把错误吸住、在累积前钉死的现实引力。
三层降错模型告诉我们：L0 让雪崩有界，L1 让共识更低错，L2 让残余可被照亮。三者缺一不可，且没有一个能「根治」——因为根治本身就不是目标。工程上值得追求的，从来不是零错误的乌托邦，而是一个能收敛、能问责、残余可被持续照亮的协作结构。
本文思想均出自《你拼命消除的正是智能》卷三（§3.1.4 磁铁与锚、§3.1.5 幻觉三层根因、§5.4.2 角色化机理、§5.5.3 四维评测），以及近期落地的「三层降错模型」「锚分两个维度」「四诫 #4 纠错」等修订。
