——那要怎麼判斷？怎麼解？
從一個具體問題，一路走到 deterministic 查證（API）
你請 LLM 幫衛教找根據，它回你一篇文獻：標題像、作者像、期刊年份都有，連 DOI 都附上了。
看起來煞有其事——但這篇可能根本不存在，是它「掰」出來的。衛教若引用了假文獻，等於把錯誤蓋上一個權威印章。
所以問題很實際：怎麼知道一篇文獻是真是假？
先別問 AI——如果是你，要確認一篇文獻到底存不存在，你會怎麼查？
（提示：每篇正式文獻，都有一個獨一無二的編號。怕有人對它不熟，下一張先補「DOI 是什麼」。）
DOI ＝ 每篇正式文獻的「永久身分證」，長這樣：10.1056/NEJMoa2116044。不管期刊網站怎麼改版、搬家，這串碼永遠指向同一篇。
把它貼到 doi.org（或交給程式去查），就會連到那一篇確切的文獻。
所以「人」的解法超簡單：拿 DOI 去查——在，就是真；查不到，就是假。一翻兩瞪眼。
擬人的講法是「它記錯了」。但更精確地說：LLM 根本不「記憶事實」。
所以純靠「背」吐一個 DOI：錯誤才是常態，正確只是巧合。
關鍵不是模型突然變聰明，而是工程師讓它學會「使用工具」去查——遇到 DOI、藥名、數字，不再靠背，而是實際發一個查詢出去。
而這個「程式去問另一個程式」的查詢介面，就叫 API：你給它一個明確的輸入，它回你一個明確的輸出。
| 人 ↔ 機器（你平常用 app／網站） | 機器 ↔ 機器（API） |
|---|---|
| 有畫面，用眼睛看、用手點（GUI） | 純數位：給明確輸入 → 回明確輸出，中間沒有人、沒有畫面、沒有模糊語意 |
輸入：10.1056/NEJMoa2116044
Crossref 回傳：
Molnupiravir for Oral Treatment of Covid-19 in Nonhospitalized Patients
Jayk Bernal A. 等 · NEJM · 2022 · 386(6):509–520
輸入：10.1056/NEJMoa9999999（格式正確、看起來像真的）
一查下去：
404 — 不存在
差別就一個字：一邊是查（deterministic、可重複），一邊是猜（stochastic、賭運氣）。
會搜尋網路、開 DOI／期刊頁查證（比純背可靠）——但不直接呼叫 Crossref API；它讀的頁面，很多本身就來自 Crossref 生態。
真的跑一行 curl api.crossref.org/...，拿到 JSON、檢查欄位。剛才那筆 molnupiravir，就是這樣當場驗的。
兩者都能查證；差別在「搜尋頁面」還是「直接呼叫 API、把結果接進後續程式」——只有後者能自動化。
同一條線也適用「讀網頁」：雲端 LLM 走雲端、自己的途徑抓（常被網站擋），代理式走你本機抓——呼叫 API 或開網頁都一樣，差在雲端途徑 vs 地端途徑。（Drugs 只能拿公開摘要，同個道理。）
| API | 解決什麼 | 成本 |
|---|---|---|
| Crossref | 驗 DOI／文獻是否真實存在（剛才那招） | 免費・一行指令 |
| PubMed | 查一個 trial 的真實主要結果，而不是 LLM 猜的結論 | 免費・一行指令 |
| OpenFDA | 查藥品仿單／不良反應／召回——做藥品衛教最該用 | 免費・一行指令 |
共同點：免費、免帳號，回傳整齊的結構化資料（電腦好讀的格式）。隨機的是 LLM，這幾道查詢是確定性的。
有 API：程式可直接查仿單、不良反應
多半只有要人手動點的網頁，沒有給程式用的 API
所以在台灣查跨國藥物，用美國 OpenFDA 反而比查自家方便。這個 gap 不是 LLM 能解的——是資料開放／治理的問題。
凡是「一字不漏才算對」的
——別信 LLM 的記憶，叫它去「查」
但別叫 LLM「記得」每次查——它會忘。讓它寫程式自動查（下一段）。