RAG开发者提示词怎么写？3个构造与调试方法
写RAG（检索增强生成，让大模型先检索外部知识再回答的技术）的提示词，核心在于配合检索流程，引导模型正确使用召回结果。开发者应围绕“检索-融合-生成”三步设计提示词，并基于实测反馈调整。以下提供3种经过验证的构造思路与调试方法。
构造法一：明确指定“基于检索内容”生成 在提示词开头直接写入硬约束，如“请根据以下提供的段落回答问题。如果段落中没有相关信息，请直接回答‘找不到相关信息’。不要依赖你自身的知识。”这种方式能有效减少幻觉，让模型聚焦于检索结果。调试时，可替换不同的检索文档，观察模型是否严格遵守边界。
构造法二：分步式提示词，拆解“检索-推理”流程 将任务拆解为两个阶段。第一步提示：“请从下列文本中提取与问题相关的关键事实，以列表形式呈现。”第二步再问：“基于上一步的事实，用简洁的语言回答原始问题。”这种分步法（类似Chain-of-Thought）能提升推理透明度，便于排查是哪一步出错。调试时，可以分别检查提取结果和最终答案的准确性。
构造法三：融合混合检索结果的上下文引导 当使用BM25（基于关键词匹配的检索算法）+向量检索+RRF（倒数排序融合，对多路结果打分重排）混合检索时，要告诉模型如何处理不同来源的信息。例如：“以下是来自不同检索方式的资料。请综合所有信息，如果不同资料对同一问题有不同表述，请整合出一致的答案。”调试时，需人工注入矛盾文本，测试模型的整合能力。
调试方法的反馈闭环
调试提示词不能靠猜，需建立指标。针对RAG任务，开发者应关注三个维度：检索召回率（常用文档是否被召回）、生成忠实度（答案是否严格基于召回内容）、答案完整性（是否覆盖问题所有要点）。每次修改提示词后，用固定测试集跑一遍，对比输出结果。在实践中，往往需要在“让模型灵活总结”和“强制它照搬原文”之间找到平衡点。
RAG系统的最终效果，取决于检索质量与提示词设计的配合。开发者通过上述构造与调试方法，可以让模型在知识库问答、文档总结等场景中表现更稳定。
