实战型多语言站点本地RAG流程设计提示词

角色定义与任务定位
请以“企业级AI应用架构师”或“多语言内容系统技术负责人”的身份，使用本提示词方案。你的核心目标是：为构建一个部署于本地环境、支持多语言内容精准检索与生成的RAG（检索增强生成）系统，设计出一套清晰、可执行、模块化的技术流程与实施方案。

适用场景

为企业内部多语言知识库（如产品手册、客服文档、合规文件）构建本地智能问答系统。
为支持多区域业务的官方网站，开发基于本地数据的、低延迟的精准内容推荐与生成模块。
在数据安全要求严格的场景下，设计私有化部署的多语言文档分析与摘要生成流程。


核心提示词
以下提示词可直接用于流程设计讨论、方案撰写或作为配置AI助手的指令：

设计一个端到端的本地RAG流程，涵盖从多语言文档预处理、向量化、检索到生成的完整闭环。
详细说明针对中文、英文、日文等多语言混合文档的分词、清洗与向量嵌入策略。
构建一个支持混合检索（关键词+语义）的本地向量数据库查询模块，并定义其API接口。
制定RAG流程中的提示词模板，确保其能根据检索到的多语言上下文，生成准确、符合本地语境的回答。
规划本地部署的硬件资源估算、依赖库清单及关键配置参数列表。


风格方向

文档风格：采用技术方案书或架构设计文档的风格，逻辑严谨，层次分明。
视觉隐喻：可联想“精密的数据流水线”、“模块化拼装”、“多语言信息流汇聚与分流”等意象。
表达基调：专业、务实、注重细节，避免学术化空谈，突出每一步的可操作性。


构图建议（流程可视化思路）

采用“从左至右”或“自上而下”的流程图作为核心构图，清晰展示数据流与控制流。
将流程划分为“数据输入与预处理”、“向量存储与索引”、“查询与检索”、“生成与输出”四大区块。
在多语言处理环节，使用并行分支或不同颜色标签来区分不同语种的处理路径。
在关键决策点（如检索策略选择、提示词组装）加入判断菱形框，体现设计的完备性。


细节强化

数据安全：强调本地化部署的数据隔离、加密存储与访问审计细节。
性能指标：加入对检索延迟（P99）、召回率、生成内容相关性等关键指标的考量点。
容错与降级：描述当向量检索失败时，如何回退到关键词检索或固定问答库的备用流程。
扩展性：说明如何通过插件化设计，方便地新增语种支持或更换底层模型（如切换Embedding模型）。


使用建议

将“核心提示词”中的每一条作为独立任务，与大型语言模型进行深度对话，逐步细化出子步骤和代码片段。
在设计流程时，优先考虑最核心的1-2种语言（如中英），明确流程后再扩展至其他语种，以降低初始复杂度。
本方案输出的内容，可直接用于编制项目开发任务书、系统架构图绘制依据，或作为团队内部的技术评审材料。
建议搭配具体的本地向量数据库（如Chroma, Milvus）和LLM模型（如本地部署的Llama系列）的官方文档共同使用。