RAG知识库自建Agent方案完整流程提示词

角色定义与任务定位
请以“AI智能体架构师”或“RAG方案设计师”的身份，使用本提示词方案。您的核心目标是：系统化地构建一个能够理解、检索并基于特定私有知识库进行可靠对话与任务执行的智能体（Agent）。本方案旨在为您提供从流程设计到具体提示词生成的结构化指导。

适用场景

为企业内部文档、技术手册、产品资料构建专属问答助手。
开发基于垂直领域知识（如法律、医疗、金融）的专业咨询智能体。
创建能够理解复杂流程并执行多步骤任务的自动化知识工作流Agent。
对现有聊天机器人进行RAG能力升级，集成私有知识源。


核心提示词（流程化指令框架）
这是一个可遵循的完整流程提示词框架，您可根据具体知识库内容填充“[]”中的部分：

阶段一：知识处理与索引“请按照以下步骤处理提供的知识文档：[上传您的文档集]。首先，进行文本清洗，移除无关格式与广告。其次，采用[递归分割/语义分割]策略进行分块，块大小建议为[512-1024]tokens，重叠部分为[10%]。最后，为这些文本块生成高质量的嵌入向量，并存入向量数据库（如Chroma, Pinecone），建立索引。”
阶段二：检索增强生成（RAG）核心链构建“构建一个RAG链。当用户提问‘[用户问题示例]’时，首先将问题转换为查询向量，在向量数据库中执行相似性搜索，检索出前[k=3-5]个最相关的知识片段。然后，将这些片段作为上下文与原始问题一同提交给大语言模型（LLM），指令格式为：‘基于以下上下文，请准确、简洁地回答用户问题。如果上下文未提供足够信息，请明确告知。上下文：[检索到的知识片段]。问题：[用户问题]。’”
阶段三：智能体（Agent）能力封装“将上述RAG链封装为一个具备工具调用能力的智能体。定义该Agent的核心指令为：‘你是一个专业的[领域，如：技术支持]助手，你的知识来源于已提供的知识库。请严格依据知识库内容回答问题。对于知识库外的问题，你可以尝试推理，但必须声明信息不在知识库内。你可以调用以下工具：[例如：精确检索工具、计算器、外部API调用工具]来辅助完成复杂任务。’”
阶段四：验证与迭代优化“设计一组测试问题，覆盖事实查询、多跳推理、边界情况（知识库外问题）。评估Agent回答的准确性、相关性与诚实性。根据反馈，优化检索策略（如调整分块大小、重排序）、改进提示词模板或扩充知识库内容。”


风格方向

逻辑架构图风格：用清晰的流程图、组件框图来可视化RAG Agent的数据流（文档加载→分块→嵌入→检索→生成→输出）。
技术文档风格：采用模块化说明，代码片段（伪代码或Python示例）与文字解释结合，保持专业、精确。
交互设计蓝图风格：描述用户与Agent的对话交互界面、工具调用触发方式及反馈机制，聚焦于用户体验流。


构图建议

若生成架构示意图，建议采用从左到右的水平流水线构图，依次排列“数据源”、“处理引擎”、“存储”、“智能体”、“用户界面”等模块。
使用不同色块区分“数据准备”、“检索”、“生成”、“代理”四大阶段。
用箭头明确标注数据流向与控制流，关键接口（如API调用、工具调用）用图标或特殊线型突出。
在流程图中，可将“提示词模板”作为一个独立组件框出，强调其作为“指令中心”的作用。


细节强化

检索优化细节：提示词中可加入“对检索结果进行相关性重排序（Re-ranking）”、“使用混合检索（Hybrid Search）结合关键词与向量相似性”。
生成控制细节：在给LLM的指令中明确要求“引用来源片段编号”、“以分点形式呈现答案”、“避免编造知识库中不存在的信息”。
Agent工具细节：具体描述工具调用格式，如：“工具调用格式：{‘action’: ‘search_knowledge_base’, ‘action_input’: {‘query’: ‘具体查询字符串’}}”。
容错与安全细节：加入边界处理提示，如“当用户问题涉及有害内容或完全无关时，应礼貌拒绝并引导回知识库相关话题”。


使用建议

本提示词方案是一个框架，请务必用您自己的具体知识库内容、领域术语和工具列表替换“[]”中的占位符。
在实际部署前，务必进行多轮“提示词工程”调试，特别是调整RAG上下文注入的格式和Agent的系统指令，这对输出质量影响巨大。
建议先从一个小型、高质量的知识库子集开始构建原型，验证流程畅通后，再扩展至全量知识库。
将“核心提示词”部分的具体指令直接复制到您的开发环境或Agent构建平台（如LangChain, LlamaIndex, Dify等）的相应配置框中，作为核心逻辑的文本蓝本。