<blockquote> 沈林，Apache RocketMQ PMC 成员，阿里云 EventBridge 负责人，专注于 EDA 研究。本文整理自作者在 Community Over Code Asia 2025 会议发表的主题演讲《Apache RocketMQ EventBridge: Why Your GenAI Needs EDA？》。
EDA 的核心特点是：以事件为中心，实时响应变化。它不像传统”请求-响应”模式那样被动等待，而是”感知→触发→行动”全自动流转。在 AI 系统中，数据流、模型训练和推理、外部反馈等都可以作为”事件”，触发 AI 自动决策和联动执行。EDA 就像是 AI 时代的”神经系统”，让 AI 不仅能”思考”，还能”感知”和”行动”。它提升了系统的实时性、灵活性和自动化水平，是构建智能系统的关键支撑。AI 赋予系统”大脑”，EDA 构建系统的”神经”。
本文主要探讨在 AI 时代，EDA 的重要价值及它可以帮助我们解决的问题。
EDA 的第一重价值：通过 RAG 缓解 AI 幻觉
大家可能还有印象，2023 年上半年，Google 的早期 AI 模型发布时，回答一个关于詹姆斯·韦伯空间望远镜的问题时，犯了一个低级”错误”，这个答案本来在 Google 上很容易搜索到，但是 AI”一本正经”的给了一个错误答案，直接导致谷歌当天的股价跌了 8% 左右。但 AI 完全没有意识到自己的错误，这是为什么？
1. 为什么会有 AI 幻觉？
AI 幻觉的产生机制比较复杂，可简单从训练和推理两个阶段进行分析：
-
训练阶段：
- 数据覆盖不足：若训练数据不包含特定信息，模型无法”无师自通”；
- 过拟合：模型过度学习训练数据中的细节与噪声，导致在面对新数据时泛化能力差；
- 通用性与精度取舍：通用大模型为覆盖广泛领域，在特定垂直领域的准确性可能有所牺牲。
-
推理阶段：
- 自回归生成：LLM（大语言模型）推理本质上是一个自回归过程，基于现有 Token 预测下一个最可能的 Token，这种概率性生成机制使得幻觉成为其固有潜在分布的一部分。
- 连贯性优先于准确性：GenAI 输出的时候倾向于生成流畅连贯的答案，而非绝对准确的答案。
