一、什么是 Prompt Engineering?
Prompt Engineering(提示词工程)是指通过设计和组织输入给大语言模型的指令、上下文、示例及约束条件,使模型更准确、稳定地完成指定任务的一系列方法与技术。
Prompt(提示词)是模型接收的输入内容,而 Prompt Engineering 关注的是如何构造这些输入。
例如,面对同一个任务:
简单提示词:
介绍一下 Redis。
经过设计的提示词:
你是一名资深后端架构师。
请面向具有 Java 开发经验的工程师,解释 Redis 的核心工作原理。
要求:
1. 介绍 Redis 的数据结构及其底层实现。
2. 重点分析内存管理、持久化和高可用机制。
3. 解释缓存穿透、缓存击穿和缓存雪崩的区别。
4. 给出适合生产环境的使用建议。
5. 使用技术文档风格,避免泛泛而谈。
两者的区别不在于模型发生了变化,而在于输入提供的信息更加明确。
第二种提示词定义了:
- 角色:资深后端架构师。
- 目标:解释 Redis 核心原理。
- 受众:具有 Java 开发经验的工程师。
- 内容范围:数据结构、内存管理、持久化、高可用。
- 重点:缓存问题及生产实践。
- 输出风格:技术文档。
模型由此获得了更明确的任务边界和生成方向。
1.1 Prompt Engineering 的核心目标
提示词工程主要解决以下问题:
| 问题 | 提示词工程的作用 |
|---|---|
| 任务理解不准确 | 明确任务目标与执行要求 |
| 输出内容不完整 | 定义内容范围和必要字段 |
| 输出格式不稳定 | 指定结构、Schema 和格式约束 |
| 回答风格不一致 | 定义角色、受众和表达风格 |
| 复杂任务容易遗漏 | 拆分步骤并明确任务依赖 |
| 模型容易偏离主题 | 提供相关上下文和边界 |
| 结果难以自动处理 | 约束为 JSON、XML 或其他结构化格式 |
Prompt Engineering 并不是让模型获得新的知识,而是更有效地利用模型已有的能力以及当前上下文中提供的信息。
1.2 Prompt Engineering 与模型训练的区别
提示词工程和模型训练都可能影响模型表现,但它们作用于不同层次。
| 对比维度 | Prompt Engineering | 模型训练 |
|---|---|---|
| 作用对象 | 输入内容 | 模型参数 |
| 是否修改参数 | 否 | 是 |
| 数据来源 | 当前 Prompt 和上下文 | 训练数据 |
| 生效范围 | 当前请求或会话 | 训练后的模型 |
| 调整成本 | 通常较低 | 通常较高 |
| 主要目的 | 引导模型行为 | 学习或调整模型能力 |
提示词工程通常不需要重新训练模型,也不需要更新模型权重。
它通过改变模型接收到的条件信息,影响模型接下来生成什么内容。
二、Prompt 的底层工作原理
理解 Prompt Engineering,首先需要理解大语言模型如何处理输入。
以自回归语言模型为例,模型根据已有上下文预测下一个 Token。
其基本概率形式为:
其中:
- x_t:当前位置的 Token。
- x_{<t}:当前位置之前的 Token。
- P(x_t|x_{<t}):在已有上下文条件下预测当前 Token 的概率。
模型并不是直接理解一条自然语言指令背后的真实意图,而是通过训练得到的参数和上下文表示,计算后续 Token 的条件概率分布。
Prompt 的作用,就是改变模型生成时所依赖的条件上下文。
2.1 Prompt 如何影响模型输出?
假设用户输入:
解释一下数据库索引。
模型需要根据有限的上下文推断:
- 应该介绍什么数据库?
- 面向什么技术水平?
- 应该解释概念还是实现原理?
- 是否需要代码示例?
- 应该输出多长?
- 是否需要讨论性能问题?
这些信息并没有被明确指定,模型只能依据上下文和训练中形成的模式进行推断。
如果补充:
请以 MySQL InnoDB 为例,面向中高级后端工程师,
重点解释 B+Tree 索引结构、页分裂、聚簇索引、
回表和索引覆盖,并分析常见索引失效场景。
模型获得了更多任务约束,生成结果的范围也会随之收敛。
2.2 Prompt 与 Token 序列
模型接收 Prompt 后,需要经过 Tokenizer 编码。
可以将处理过程抽象为:
flowchart TD
A["编写 Prompt"]
B["组织指令与上下文"]
C["Tokenizer 编码"]
D["生成 Token ID 序列"]
E["Embedding 映射"]
F["Transformer 计算"]
G["生成下一个 Token"]
H["继续自回归生成"]
I["得到最终输出"]
A --> B
B --> C
C --> D
D --> E
E --> F
F --> G
G --> H
H --> G
H --> I
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
Prompt 的设计最终会影响输入 Token 序列及其上下文关系。
因此,提示词不仅要关注自然语言表达,还需要考虑:
- Token 数量。
- 指令之间的优先级。
- 上下文信息的相关性。
- 输入内容的组织方式。
- 模型支持的上下文窗口。
2.3 Prompt 不是程序代码
Prompt 可以包含类似程序的结构,例如:
角色:
任务:
输入:
约束:
输出格式:
但这些标签通常只是帮助模型识别不同信息区域的文本标记,并不意味着模型真的执行了某种编程语言。
Prompt 也可以通过模型支持的特殊 Token、消息角色和结构化内容进行组织。
具体格式取决于模型及其 API 协议。
三、一个高质量 Prompt 的基本结构
一个完整的提示词通常可以拆分为多个逻辑部分。
常见结构包括:
- Role:角色定义。
- Task:任务目标。
- Context:背景上下文。
- Input:输入数据。
- Constraints:执行约束。
- Examples:示例。
- Output Format:输出格式。
3.1 Role:角色定义
Role 用于定义模型应该采用什么身份、专业视角或工作方式。
例如:
你是一名具有十年以上经验的 Java 后端架构师,
熟悉 JVM、Spring、MySQL、Redis 和分布式系统。
角色定义可以帮助模型选择适合任务的知识范围和表达风格。
但需要注意:
角色设定不会真正改变模型的专业能力。
告诉模型“你是一名资深架构师”,并不会让模型获得新的架构知识。
角色定义更接近一种行为和表达方向的约束。
3.2 Task:任务目标
Task 用于明确要求模型完成什么事情。
例如:
分析下面这段 Java 代码,找出可能存在的并发安全问题。
一个好的任务定义应该明确:
- 执行动作。
- 分析对象。
- 预期结果。
- 必要时指定分析范围。
避免使用过于模糊的表达,例如:
帮我看看这个代码。
可以改为:
检查以下 Java 代码中的线程安全问题,
重点分析共享变量、锁竞争、可见性和原子性,
并给出可运行的修复方案。
3.3 Context:背景上下文
Context 提供完成任务所需的背景信息。
例如:
项目背景:
这是一个基于 Spring Boot 的订单系统。
技术栈:
- Java 21
- Spring Boot 3
- MySQL 8
- Redis
- RabbitMQ
业务场景:
订单创建接口需要支持高并发请求,
并保证同一业务请求不会重复创建订单。
上下文可以帮助模型减少对业务背景的猜测。
但上下文并不是越多越好。
无关信息可能增加 Token 消耗,并干扰模型对关键内容的关注。
3.4 Input:输入数据
Input 是模型需要处理的具体对象。
例如:
待分析 SQL:
SELECT *
FROM orders
WHERE user_id = 10001
AND status = 1
ORDER BY created_at DESC;
对于代码分析、数据抽取、文本分类和文档问答等任务,应该明确标记输入内容的边界。
3.5 Constraints:约束条件
Constraints 用于限定模型的执行范围。
例如:
约束条件:
1. 不要修改原有业务逻辑。
2. 不要引入新的第三方依赖。
3. 优先使用 Java 标准库。
4. 需要说明每项修改的原因。
5. 如果信息不足,明确指出缺失信息。
约束可以减少模型自由发挥的空间,使输出更符合实际业务要求。
3.6 Examples:示例
示例用于向模型展示期望的输入输出模式。
例如:
示例输入:
订单状态为 1,表示待支付。
示例输出:
{
"status": 1,
"status_name": "待支付"
}
对于需要固定格式、固定分类标准或固定风格的任务,示例通常非常有价值。
3.7 Output Format:输出格式
输出格式用于约束模型最终结果的组织方式。
例如:
请严格按照以下结构输出:
一、问题描述
二、问题原因
三、影响范围
四、解决方案
五、修复后的代码
六、注意事项
如果结果需要被程序自动处理,可以进一步使用 JSON Schema 等结构化约束。
3.8 完整 Prompt 结构
flowchart TD
A["Prompt"]
B["Role 角色"]
C["Task 任务"]
D["Context 上下文"]
E["Input 输入"]
F["Constraints 约束"]
G["Examples 示例"]
H["Output Format 输出格式"]
I["模型执行任务"]
A --> B
A --> C
A --> D
A --> E
A --> F
A --> G
A --> H
B --> I
C --> I
D --> I
E --> I
F --> I
G --> I
H --> I
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
并不是所有任务都需要包含以上全部部分。
简单问答可能只需要 Task;复杂的业务任务则可能需要完整的结构。
四、Prompt Engineering 的核心技术
提示词工程发展出了多种设计方法。
这些方法并不是互相排斥的,可以根据任务复杂度组合使用。
4.1 Zero-shot Prompting:零样本提示
Zero-shot Prompting 是指不提供具体示例,直接要求模型完成任务。
例如:
判断下面这条用户评论的情感倾向。
评论:
这款产品运行速度很快,但是售后服务太差。
请输出:
正面、负面或中性。
模型根据预训练知识和当前指令完成分类。
特点:
- 不需要准备示例。
- Prompt 结构简单。
- 适合常见任务。
- 对复杂规则和特殊格式的稳定性可能不足。
Zero-shot 是很多大模型应用的默认起点。
4.2 One-shot Prompting:单样本提示
One-shot Prompting 是指提供一个示例,让模型参考示例完成任务。
例如:
任务:判断用户评论的情感。
示例:
输入:这款手机拍照效果很好。
输出:正面
现在处理:
输入:这款产品运行速度很快,但是售后服务太差。
输出:
示例向模型展示了任务定义和输出形式。
One-shot 不意味着模型只训练了一次,而是当前 Prompt 中包含一个示例。
4.3 Few-shot Prompting:少样本提示
Few-shot Prompting 是在 Prompt 中提供多个示例,让模型从示例中识别任务模式。
例如:
任务:判断评论情感。
示例一:
评论:产品性能非常好。
结果:正面
示例二:
评论:质量太差,不值得购买。
结果:负面
示例三:
评论:产品已经收到。
结果:中性
待分类评论:
评论:物流很快,但是产品包装破损。
结果:
模型可以参考多个输入输出样本,学习当前任务的分类边界和表达格式。
Few-shot 特别适合:
- 特定业务分类。
- 固定格式的数据抽取。
- 风格迁移。
- 领域术语转换。
- 自定义标签体系。
但示例数量不是越多越好。
示例会占用上下文窗口,也可能带来标签偏差或错误模式。
4.4 Zero-shot、One-shot、Few-shot 对比
| 方法 | 示例数量 | 主要特点 | 适用场景 |
|---|---|---|---|
| Zero-shot | 0 | 直接描述任务 | 通用任务 |
| One-shot | 1 | 提供单个参考样本 | 简单格式约束 |
| Few-shot | 多个 | 展示多个任务样本 | 特殊规则与领域任务 |
4.5 Role Prompting:角色提示
Role Prompting 通过指定角色,调整模型回答问题时采用的专业视角。
例如:
你是一名数据库内核工程师。
请解释 MySQL InnoDB 的 Buffer Pool,
重点分析页面管理、LRU 机制和脏页刷盘。
角色提示适合需要明确专业视角的任务。
但角色设定不应被当作事实来源,也不能替代必要的技术资料。
4.6 Instruction Prompting:指令提示
Instruction Prompting 通过明确、具体的指令告诉模型应该执行什么操作。
例如:
请将以下技术文档压缩为 300 字以内的摘要。
必须保留:
1. 核心技术原理。
2. 关键配置参数。
3. 性能影响。
4. 主要风险。
不要加入原文没有提及的结论。
指令应该尽量具体,避免多个要求相互冲突。
4.7 Contextual Prompting:上下文提示
Contextual Prompting 是指在任务指令之外,提供与当前任务相关的背景材料。
例如:
背景资料:
我们的系统使用 Redis 缓存用户信息。
缓存有效期为 30 分钟。
用户数据更新时,会同步删除缓存。
任务:
分析该缓存策略在高并发情况下可能出现的问题。
上下文可以来自:
- 用户输入。
- 数据库查询结果。
- 外部 API。
- RAG 检索文档。
- 历史对话。
- 文件内容。
Contextual Prompting 是知识库问答和企业级 AI 应用的重要基础。
五、复杂任务的提示词技术
对于简单问答,清晰指令通常已经足够。
但面对复杂推理、代码分析、多步骤任务和结构化决策,仅靠一段简单指令可能难以获得稳定结果。
5.1 Chain-of-Thought Prompting:思维链提示
Chain-of-Thought(CoT)是一种通过提示模型进行分步骤推理的技术方向。
它的核心思想是让模型在处理复杂问题时,不只直接输出最终答案,而是采用分阶段的推理过程。
例如:
请分析以下问题。
某服务每天处理 120 万次请求,
平均每秒请求数是多少?
请列出计算公式,并给出结果。
模型需要识别:
- 一天的秒数。
- 总请求数。
- 平均请求速率。
计算过程:
CoT 常见于:
- 数学问题。
- 复杂逻辑分析。
- 多条件判断。
- 代码问题定位。
- 多阶段任务规划。
需要区分两个概念:
要求模型给出解释,不等于获得了模型内部真实、完整的推理过程。
模型输出的推理说明可能存在遗漏、错误或事后组织的解释,不能直接当作内部计算轨迹。
对于生产系统,可以要求模型输出可验证的中间结果、计算公式、引用依据或结构化步骤,而不是依赖一段看似合理的推理文本。
5.2 Least-to-Most Prompting:由简到繁提示
Least-to-Most Prompting 将复杂问题拆分为多个由简单到复杂的子问题。
例如,分析一个分布式事务系统:
请按以下顺序完成分析:
第一步:解释分布式事务的基本问题。
第二步:分析本地事务与远程调用的区别。
第三步:介绍 2PC 和 TCC。
第四步:比较 Saga 与可靠消息最终一致性。
第五步:给出不同业务场景下的选型建议。
这种方法适合:
- 复杂技术调研。
- 多阶段分析。
- 方案比较。
- 长文档处理。
- 需要明确依赖关系的任务。
需要注意,拆分任务后还要检查子任务之间的信息是否完整传递。
5.3 Self-Consistency:自一致性
Self-Consistency 是一种通过生成多个候选推理结果,再进行一致性比较来提高结果可靠性的技术。
其基本思路是:
- 对同一问题生成多条候选路径。
- 提取候选答案。
- 比较不同路径的结果。
- 通过投票或其他聚合方式选择答案。
示意流程:
flowchart TD
A["输入复杂问题"]
B["生成多个候选结果"]
C["候选结果一"]
D["候选结果二"]
E["候选结果三"]
F["提取各候选答案"]
G["一致性比较"]
H["聚合选择"]
I["输出最终结果"]
A --> B
B --> C
B --> D
B --> E
C --> F
D --> F
E --> F
F --> G
G --> H
H --> I
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
Self-Consistency 可以降低某些采样路径导致的偶然错误,但并不保证答案正确。
如果多条路径共享相同的错误前提,最终结果仍然可能错误。
5.4 ReAct:Reasoning + Acting
ReAct 将推理与行动结合起来。
模型不仅分析问题,还可以根据需要选择调用外部工具。
例如:
用户:查询今天北京的天气,并给出出行建议。
模型:
分析需要获取实时天气数据。
工具调用:
get_weather(city="北京")
工具返回:
温度 12℃,小雨,风力 3 级。
模型:
根据天气数据生成出行建议。
ReAct 的核心不是单纯生成文本,而是形成推理、行动和观察结果相结合的任务循环。
flowchart TD
A["接收用户任务"]
B["分析当前状态"]
C{"是否需要外部工具"}
D["生成工具调用请求"]
E["应用校验并执行工具"]
F["获取工具结果"]
G["更新任务上下文"]
H{"任务是否完成"}
I["生成最终回答"]
A --> B
B --> C
C -->|"是"| D
D --> E
E --> F
F --> G
G --> H
H -->|"否"| B
C -->|"否"| I
H -->|"是"| I
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
ReAct 是 Agent 系统中常见的设计思路。
但实际工具执行由应用程序负责,模型生成的工具调用请求不能直接视为已经完成的外部操作。
六、结构化输出与格式约束
在实际业务中,模型输出不一定只用于展示给用户。
很多场景需要将结果交给程序继续处理。
例如:
- 提取订单信息。
- 识别用户意图。
- 生成 API 参数。
- 输出分类标签。
- 生成数据库查询条件。
- 生成业务决策建议。
此时,输出格式的稳定性非常重要。
6.1 普通文本约束
最简单的方式是直接指定输出格式。
请分析下面的用户反馈。
只允许输出以下三个标签之一:
正面
负面
中性
不要输出解释。
这种方式实现简单,但自然语言约束并不等于严格的结构化保证。
6.2 JSON 输出约束
例如:
请从用户输入中提取订单信息。
输出 JSON,字段如下:
- order_id:订单编号
- product_name:商品名称
- quantity:购买数量
没有提取到的信息使用 null。
不要输出 Markdown 代码块。
期望结果:
{
"order_id": "ORD20261120001",
"product_name": "机械键盘",
"quantity": 2
}
6.3 JSON Schema 约束
对于需要程序消费的结构化结果,可以使用 JSON Schema。
例如:
{
"type": "object",
"properties": {
"order_id": {
"type": ["string", "null"]
},
"product_name": {
"type": ["string", "null"]
},
"quantity": {
"type": ["integer", "null"]
}
},
"required": [
"order_id",
"product_name",
"quantity"
],
"additionalProperties": false
}
Schema 可以定义:
- 字段名称。
- 数据类型。
- 必填字段。
- 可选值。
- 嵌套结构。
- 额外字段是否允许。
如果模型 API 支持 Structured Outputs,可以使用服务端支持的 Schema 约束能力。
需要注意,普通 Prompt 中要求“只输出 JSON”,与 API 层真正启用结构化输出约束不是一回事。
6.4 格式正确不等于业务正确
即使输出通过 JSON Schema 校验,也不代表内容符合真实业务。
例如:
{
"order_id": "ORD001",
"product_name": "机械键盘",
"quantity": -10
}
这个 JSON 可能符合基础数据类型要求,但购买数量为负数显然不符合业务规则。
因此,生产系统需要分层校验:
- 语法校验:是否为合法 JSON。
- Schema 校验:字段和类型是否符合定义。
- 业务校验:数值、状态和业务规则是否正确。
- 权限校验:操作是否被当前用户授权。
七、Prompt 与上下文管理
Prompt Engineering 不只是编写一段指令,还涉及如何组织模型能够使用的上下文。
对于多轮对话、企业知识库和复杂 Agent,Context Management 尤其重要。
7.1 多轮对话上下文
大多数模型 API 的请求本身不意味着模型自动保存了所有历史对话。
应用通常需要将必要的历史消息重新组织到请求中,或者使用服务商提供的会话状态能力。
例如:
{
"messages": [
{
"role": "user",
"content": "什么是 Redis?"
},
{
"role": "assistant",
"content": "Redis 是一种内存数据结构存储系统。"
},
{
"role": "user",
"content": "它适合做分布式锁吗?"
}
]
}
当前请求包含历史消息,模型才能利用这些上下文理解“它”指代 Redis。
7.2 上下文窗口限制
模型的上下文窗口存在 Token 数量限制。
输入内容过长可能导致:
- 请求超出上下文窗口。
- 输入 Token 成本增加。
- 推理延迟上升。
- 重要信息被大量无关内容稀释。
- 长上下文中的信息定位效果下降。
因此,需要对上下文进行管理。
7.3 上下文压缩
常见方法包括:
- 删除无关历史消息。
- 保留最近的对话。
- 对较早对话生成摘要。
- 提取长期有效的关键信息。
- 将历史信息保存到外部存储。
- 根据当前任务检索相关内容。
一个简单的上下文管理流程:
flowchart TD
A["收集历史对话"]
B["评估上下文长度"]
C{"是否超过预算"}
D["保留必要消息"]
E["摘要压缩历史内容"]
F["提取关键状态"]
G["组织最终上下文"]
H["提交模型请求"]
A --> B
B --> C
C -->|"否"| G
C -->|"是"| D
D --> E
E --> F
F --> G
G --> H
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
上下文压缩需要注意信息损失。
例如,摘要可能丢失订单编号、时间、金额和业务约束等关键字段。
对于需要精确追踪的业务状态,不应该只依赖自然语言摘要,最好将结构化状态保存在独立的数据存储中。
八、Prompt Engineering 与 RAG 的关系
Prompt Engineering 解决的是如何组织输入,而 RAG(Retrieval-Augmented Generation)解决的是如何在生成前引入外部知识。
两者可以结合使用。
8.1 为什么需要 RAG?
大语言模型的参数知识存在局限:
- 训练数据可能有时间边界。
- 私有企业数据通常不在训练数据中。
- 领域知识可能更新频繁。
- 模型可能生成不准确的事实。
- 用户可能需要可追溯的资料依据。
RAG 通过检索外部资料,将相关内容作为上下文提供给模型。
8.2 RAG 中的 Prompt 设计
例如:
角色:
你是一名企业内部知识库问答助手。
任务:
根据提供的资料回答用户问题。
参考资料:
{{retrieved_documents}}
用户问题:
{{question}}
约束:
1. 优先依据参考资料回答。
2. 不要编造资料中不存在的事实。
3. 如果资料不足,明确说明无法确定。
4. 引用相关资料编号。
5. 区分资料中的事实与推测。
其中:
retrieved_documents:检索得到的文档。question:用户问题。
RAG 不只是把文档拼接到 Prompt 中,还需要考虑检索质量、文档切分、排序、上下文预算和引用对齐。