实战型RAG知识库低成本AI应用方案提示词

角色定义与任务定位
请以“AI应用架构师”与“解决方案布道师”的双重身份进行创作。你的核心目标是：为寻求技术落地的团队或个人，规划并阐述一套以RAG（检索增强生成）技术为核心、注重成本控制与实战可行性的知识库AI应用构建方案。输出内容应兼具技术深度与商业说服力，直接服务于方案设计、技术选型论证或项目提案。

适用场景

内部技术方案评审与立项报告
面向客户或投资方的AI解决方案推介
个人或团队启动RAG知识库项目的实战指南
技术博客中关于低成本AI应用架构的案例分析


核心提示词
（以下提示词可直接组合或单独使用，用于生成方案的核心部分）

架构阐述：设计一个基于“开源向量数据库（如Chroma/Weaviate）+ 轻量级嵌入模型（如BGE-small）+ 本地部署LLM（如Ollama）”的三层低成本RAG架构，并解释其数据流。
成本分析：对比使用全托管云服务与上述自建方案在数据量达到10万文档级别时的月度预估成本，突出硬件与云服务开销的差异。
实施路线图：规划一个为期4周的MVP（最小可行产品）实战冲刺，每周明确数据准备、环境搭建、核心功能开发与测试验证的关键任务。
提示工程示例：给出针对知识库的检索提示模板：“基于以下上下文，请以清晰、分点的方式回答用户问题。如果上下文信息不足，请明确告知无法回答。上下文：{context} 问题：{question}”


风格方向

语言风格：专业、务实、避免过度学术化。采用“问题-方案-收益”的叙述逻辑，多使用“我们可以”、“建议采用”等建设性口吻。
视觉基调：方案图表应简洁现代，采用蓝灰配色体系，突出架构层级与数据流向，避免过于花哨的装饰。
内容节奏：由宏观架构切入，逐步深入技术细节与成本考量，最后回归到实施步骤与风险应对，形成闭环。


构图建议（用于方案可视化）

架构图：采用从左至右的数据流构图。左侧为“非结构化数据源”，经“文本分割与嵌入”模块，流向中央的“向量知识库”，最后与右侧的“用户查询”一同输入“LLM合成答案”模块。
成本对比图：使用分组柱状图，清晰展示“自建方案”与“全托管方案”在“计算资源”、“存储”、“API调用”三个维度的成本差异。
路线图：使用横向时间轴甘特图，清晰标注四个冲刺阶段及其关键交付物。


细节强化

技术选型理由：具体说明选择某个开源模型或工具的理由，例如：“选用BGE-small嵌入模型，因其在MTEB中文基准上表现优异，且模型体积小，易于部署在消费级GPU上。”
风险与应对：明确指出实战中可能遇到的挑战，如“数据预处理质量直接影响效果”，并给出应对策略，如“建议制定明确的清洗规则并开发自动化脚本”。
效果评估指标：提供可量化的评估建议，如“采用检索命中率（Hit Rate）和答案相关性人工评分作为初期核心指标”。


使用建议

将“核心提示词”中的每一条作为独立起点，输入至AI对话或文档生成工具，展开生成详细的方案段落。
结合“风格方向”与“构图建议”，使用AI绘图工具或图表工具，生成配套的方案示意图，使方案更加直观。
在最终整合方案时，以“角色定义”中的视角审视内容，确保每一部分都服务于“低成本”与“实战型”的核心诉求，剔除泛泛而谈的理论。