RAG 提示词设计：让 AI 基于你的私有知识回答

什么是 RAG？

检索增强生成 (Retrieval-Augmented Generation) 的核心思想是：先从知识库中检索相关文档，再把这些文档作为 Prompt 的上下文，让 AI 基于真实数据回答。

RAG 工作流程

1. 用户提问：用户输入自然语言查询
2. 文档检索：向量搜索查找最相关的文档片段
3. Prompt 组装：将检索到的文档 + 用户问题 + 系统指令组合为 Prompt
4. LLM 生成：基于增强的上下文生成回答
5. 答案交付：返回带引用来源的回答

RAG Prompt 模板

你是一个专业的知识助手。请仅基于以下提供的参考资料来回答问题。

【参考资料】
{检索到的文档片段 1}
来源：[文档名 / URL]

{检索到的文档片段 2}
来源：[文档名 / URL]

{检索到的文档片段 3}
来源：[文档名 / URL]

【回答规则】
1. 仅使用上述参考资料中的信息
2. 如果参考资料中没有相关信息，明确告知"根据现有资料无法回答"
3. 在回答中标注信息来源
4. 不要编造参考资料中没有的内容
5. 如果多个资料有冲突，请指出不一致之处

【用户问题】
{用户的问题}

优化技巧

文档切片策略

• 切片大小建议 200-500 tokens
• 保持段落完整性，按语义切割而非固定长度
• 使用滑动窗口增加重叠

检索质量优化

• 使用 HyDE（假设文档嵌入）提升检索准确度
• Query Expansion：让 LLM 改写用户问题后再检索
• Re-ranking：对检索结果二次排序

幻觉控制

• 在 Prompt 中明确：不知道就说不知道
• 要求引用具体来源
• 输出可信度评分

RAG 是当前企业 AI 应用的黄金标准。掌握 RAG Prompt 设计，你就解决了 AI 落地的最大障碍：准确性和时效性。