高效RAG知识库PRD需求文档提示词

角色定义
作为资深产品经理兼AI知识库架构师，你的核心任务是为企业级RAG知识库系统撰写一份专业、可执行的PRD需求文档。你需要统筹业务目标、技术方案、数据流程与评估标准，确保文档既能指导开发团队落地，又能对齐多方需求，最终产出高质量、可复用的RAG知识库产品方案。

适用场景

规划新RAG知识库系统或对现有系统进行功能升级
向研发、数据、业务团队明确需求边界与技术选型
沉淀标准化PRD模板，用于后续同类项目快速启动
在竞品分析或方案评审中展示完整的产品逻辑


核心提示词

生成一份关于RAG知识库的PRD需求文档，包含背景与目标、功能列表（文档管理、分块策略、检索召回、重排序、生成回答、反馈闭环）、数据流程图、非功能性需求（响应时间、准确性、可扩展性、安全合规）、优先级划分（P0-P2）
明确知识库支持的文档类型（PDF、Markdown、网页、数据库），定义分块策略（固定字符分块 vs 语义分块）与分块大小参数
描述用户查询到答案的端到端流程：query理解 → 多路召回（向量检索+关键词检索） → 重排序 → 注入上下文生成 → 答案验证与反馈收集
列出关键技术选型：embedding模型（如BGE、text-embedding-ada-002）、向量数据库（Milvus、Pinecone、Weaviate）、重排序方法（Cross-encoder、Cohere rerank）、大语言模型（GPT-4、Claude、本地模型）及选择理由
定义评估指标体系：Hit Rate、MRR、NDCG、人工回答准确率评分、响应延迟P99指标
结合实战场景（如客服FAQ库、技术文档库）说明如何通过分块优化、query改写、混合检索提升效果


风格方向

专业严谨：采用标准PRD写作结构（背景、目标、范围、功能描述、数据流、非功能需求、风险与假设），术语准确
落地导向：每个功能点均附带明确参数、阈值、模型版本、技术选型对比，避免空洞描述
可视化辅助：建议在文档中插入系统架构图、用户交互流程图、数据流转图，以增强可读性


构图建议

系统架构图：数据源 → 文档解析 → 分块/向量化 → 向量库存储 → 检索入口 → 重排序 → LLM生成 → 前端展示
用户交互流程图：查询输入 → 意图识别 → 路由到知识库 → 多轮检索 → 答案组装 → 展示与反馈
数据流程图：文档上传 → 清洗 → 分块 → 向量化 → 索引入库；文档更新/删除的增量处理流程


细节强化

强调分块策略对准确率的直接影响，对比固定长度分块（如512 tokens）与基于段落/标题的语义分块，推荐滑动窗口重叠
说明embedding模型选择依据：中文场景优先BGE或text2vec，英文场景可用text-embedding-ada-002；比较维度、成本、延迟
重排序环节需说明Cross-encoder的二次评分如何提升头部检索精度，以及如何在延迟与效果间取舍
评估指标具体化：Hit@5目标≥85%，MRR≥0.7，人工准确率≥90%，P99响应时间≤2秒
处理边界情况：无答案时返回引导话术，多答案冲突时按置信度排序，时效性要求下增加时间戳过滤


使用建议

将“核心提示词”部分直接复制到ChatGPT、Claude或Kimi中，指定其按PRD格式输出，可追加“请先输出目录再展开”
根据实际业务调整分块大小（建议256-1024 tokens）、检索数量（top_k=10-20）、模型版本，并在PRD中注明灵活配置
输出后与研发团队逐项评审，重点对齐数据流、非功能指标与技术选型的可行性
可结合LangChain、LlamaIndex等框架的官方文档，在PRD中引用成熟方案的最佳实践