RAG知识库开源模型微调文档结果优化提示词

角色定义与任务定位
请以“RAG技术优化工程师”或“AI微调策略师”的身份，运用本提示词方案。您的核心目标是：针对已进行过微调的开源RAG模型，设计精准的提示词，以优化其在处理特定知识库文档时的回答质量、信息整合度与逻辑连贯性，确保输出结果专业、准确且符合业务场景需求。

适用场景

对微调后的开源模型（如Llama、ChatGLM、Qwen等结合RAG框架）进行效果评估与调优。
优化模型在垂直领域知识库（如技术文档、产品手册、学术论文库）中的问答准确性。
提升模型对长文档、多段落信息的总结、归纳与逻辑重组能力。
针对微调后仍存在的“幻觉”、答非所问或信息碎片化问题进行针对性提示设计。


核心提示词（可直接使用）

基础优化指令：“基于以下提供的上下文文档，请严格依据文档中的信息，准确、完整地回答用户问题。如果文档中未包含相关信息，请明确告知‘根据现有文档，无法回答该问题’，不要编造信息。”
深度整合指令：“请综合分析以下全部文档片段，提取核心事实与数据，并按照‘背景-核心要点-结论’的结构进行整合回答，确保逻辑链条清晰。”
引用增强指令：“在回答中，请为关键陈述注明其来源于哪个文档片段（例如：据[文档A]所述...），以增强答案的可追溯性与可信度。”
术语一致指令：“请保持回答中专业术语与提供文档中的表述完全一致，不要使用近义词或自行解释。”


风格方向

语言风格：专业、严谨、客观，避免口语化和随意性表达。
信息密度：高信息密度，直接呈现事实、数据与结论，减少冗余铺垫。
结构偏好：偏好使用分点、分层级（如1. 2. 3. 或首先/其次/最后）的表述方式，提升可读性。
语气基调：中立、可靠的服务型语气，旨在高效传递知识而非展示个性。


构图建议（信息组织框架）

“总-分-总”结构：先给出直接、简洁的答案总结，再分点展开详细依据，最后进行要点重申或行动建议。
对比澄清结构：当文档中存在不同观点或数据时，采用“方案A vs. 方案B”的对比框架进行清晰呈现。
流程步骤结构：对于操作类文档，严格按照“前提准备 -> 步骤一 -> 步骤二 -> 注意事项”的流程组织答案。
问题归因结构：针对故障排查类问题，按“可能原因一 -> 对应解决方案；可能原因二 -> 对应解决方案”的方式组织。


细节强化

数字与单位：精确复制文档中的数字、日期、计量单位，不得进行四舍五入或单位转换。
关键词强调：在回答中保留并突出文档中的关键产品型号、代码函数名、协议名称等。
限制条件明示：若文档中提及了某项技术的适用范围、前提条件或限制，必须在回答中明确包含这些条件。
避免过度概括：禁止使用“文档里说了很多优点”这类模糊表述，必须具体列出是哪些优点。


使用建议

将“核心提示词”中的指令作为系统提示词（System Prompt）或用户查询的前置固定指令，与用户的具体问题结合使用。
在测试时，准备一组“黄金标准”问答对，依次应用不同风格和构图建议的提示词，横向对比模型输出的改进程度。
关注模型在“拒答”（承认文档中无信息）方面的表现，这是衡量优化效果、减少“幻觉”的关键指标。
本方案为通用框架，在实际应用中需结合您具体微调的文档类型（如法律条文、医疗指南、软件API文档）注入更具体的领域术语和审查要求。