大模型应用开发 / 系统课时

补充上下文信息

补充上下文信息

模型只会依据当前请求中可见的信息完成任务。要让回答贴合业务,提示词必须把必要背景、当前输入、术语含义和业务规则一起提供,并明确它们之间的关系,而不是期待模型凭常识补齐项目内部信息。

学习目标

  • 判断一个任务真正需要哪些上下文才能完成
  • 用清晰结构组织背景、输入数据、术语和业务规则
  • 避免上下文不足、信息冲突和无关内容过载

先补足完成任务所需的信息

上下文的判断标准不是“知道得越多越好”,而是缺少这条信息是否会改变答案。比如让模型判断订单能否退款,至少需要订单状态、支付时间和退款规则;公司发展历史通常与这个任务无关。

可以把上下文分成四类:背景说明当前业务场景,输入数据描述这一次要处理的对象,术语定义消除内部词汇歧义,业务规则告诉模型必须遵守的判断条件。四类信息不必每次全部出现,只提供当前任务真正依赖的部分。

用结构分隔不同性质的上下文

当提示词同时包含规则和用户数据时,应让模型能明显区分二者。最简单的方法是使用稳定的小标题或标签,不要把所有内容挤成一个长段落。

text
任务:判断下面订单是否允许自助退款。

背景:该流程面向直营网店的普通零售订单。

业务规则:
- 已发货订单不能自助退款。
- 未发货且支付后 24 小时内可以自助退款。
- 会员等级不改变退款条件。

输入数据:
订单状态:未发货
支付时间距现在:6 小时
会员等级:黄金会员

要求:给出“允许”或“不允许”的结论,并引用触发该结论的规则。

这是提示词片段示例。真实应用中,输入数据通常由程序动态填入,而业务规则应来自受控配置、知识库或其他可信来源。

结构化之后,模型更容易判断“会员等级”只是输入字段,而不是额外退款条件,也能降低把背景描述误当成规则的概率。

术语定义要解决真实歧义

项目内部常有模型无法可靠推断的简称,例如“冻结订单”“一级客户”“人工关闭”。只要一个术语可能存在多种解释,就应该在上下文中给出当前任务采用的定义。

定义应描述可判断的含义,而不是换一个近义词。例如“冻结订单:因风控原因暂时禁止发货和退款,直到人工解除”比“冻结订单:处于冻结状态的订单”更有用。

如果输入来自数据库或接口,也可以补充关键字段的单位、枚举含义和空值语义。特别是金额单位、时间时区和状态码,不明确时很容易产生看似合理但实际错误的答案。

处理冲突和缺失信息

上下文可能互相矛盾,例如旧规则说“7 天内可退款”,新规则说“24 小时内可退款”。这时不要让模型自行猜测哪条更新,应提供版本、日期或明确的优先级规则。

对于动态输入,还应把用户提供的内容视为数据而不是高优先级规则。用户输入中即使出现“忽略上面的要求”之类文本,也不应覆盖系统层已经设定的业务约束。

控制上下文长度而不是无限堆料

上下文过少会导致模型猜测,过多则会稀释真正重要的规则。整理时可以逐条问:这条信息是否影响当前判断,是否与其他信息重复,是否有更短且同样准确的表达。

对于较长资料,优先检索并注入与当前问题相关的片段,而不是把整份文档全部塞进一次请求。最终目标是让模型拥有“完成本次任务所需的最小充分信息”,既能正确判断,又能明确指出自己不知道什么。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

补充上下文信息

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通