大模型应用开发 / 系统课时
设计 RAG 提示词
设计 RAG 提示词
本课解决 RAG 系统中模型不知道如何使用检索内容、如何控制回答范围的问题。通过设计系统指令、上下文区域和用户问题模板,让模型基于知识库内容生成稳定、可追踪的答案。
学习目标
- 理解 RAG 提示词中系统指令、上下文和用户问题的职责划分。
- 掌握限制模型回答范围和格式的方法。
- 能够设计适用于知识库问答场景的基础提示词模板。
RAG 提示词的组成结构
RAG 提示词不是简单拼接用户问题,而是将模型角色、检索结果和用户需求组织成明确的输入结构。一个稳定的模板通常包含三个区域:系统指令、知识上下文和用户问题。
系统指令负责定义模型身份和行为,例如要求模型只使用提供的资料回答,不允许编造不存在的信息。上下文区域放置检索得到的文档片段,用户问题区域保留真实查询内容。常见结构如下:
text
系统指令:
你是企业知识库助手,只根据提供的上下文回答问题。
如果上下文没有相关信息,请明确说明无法确认。
知识上下文:
{{retrieved_documents}}
用户问题:
{{question}}预期结果
text
模型收到结构化输入,能够区分规则、参考资料和用户请求。设计系统指令控制回答范围
系统指令的核心目标是降低幻觉风险。对于知识库问答,应明确告诉模型哪些内容可以使用,以及缺少信息时应该如何处理。
例如,技术文档助手通常需要避免利用训练数据补充答案,因此可以增加来源约束和引用要求。
python
prompt = """
你是技术知识库助手。
回答时必须遵守以下规则:
1. 只使用上下文中的信息。
2. 不确定时说明未知。
3. 使用简洁步骤回答技术问题。
"""
print(prompt)预期输出
text
你是技术知识库助手。
回答时必须遵守以下规则:
1. 只使用上下文中的信息。
2. 不确定时说明未知。
3. 使用简洁步骤回答技术问题。组织上下文区域
检索结果可能包含多个文档片段,直接拼接容易让模型混淆来源。因此上下文区域应保持清晰边界,并尽量携带必要元数据。
例如可以包含文档标题、编号和正文,让模型更容易理解引用关系。
text
<context>
文档1:Docker 部署指南
内容:容器启动需要配置端口映射。
文档2:网络排障手册
内容:端口无法访问时需要检查防火墙规则。
</context>预期结果
text
模型可以根据上下文区域识别不同资料来源,并组合相关信息。处理输出格式要求
当应用需要结构化结果时,需要在提示词中明确输出格式。例如客服机器人可能要求返回答案和引用来源,避免后处理阶段解析失败。
需要注意,格式要求越复杂,模型遵循成本越高,应根据业务需求选择必要字段。
按自己的节奏,确认真正理解。