高质量RAG知识库代码生成调试提示词

角色定义与任务定位
角色：资深RAG系统架构师 ｜ 代码调优专家
任务定位：以“构建高质量、可调试的RAG知识库代码”为核心目标，为AI助手（如Copilot、Codex）提供结构化提示词，引导其生成包含文档加载、向量化、检索、生成链等模块的Python代码，并主动嵌入错误处理、日志监控与性能优化机制。输出的代码应可直接集成至生产级流水线，兼顾健壮性与可读性。

适用场景

快速搭建基于LangChain或LlamaIndex的企业级知识库问答系统，需要稳定可复用的代码骨架。
在已有RAG流程中定位并修复向量召回不准、上下文截断、模型返回错误等调试场景。
对开源项目（如RAPTOR、Self-RAG）进行自定义改造，需清晰模块划分与注释。
跨团队协作时，需要统一代码风格与调试规范，降低沟通成本。


核心提示词
以下提示词可直接复制至AI助手使用，建议根据实际框架替换关键参数（如embedding模型、向量库类型）。

基础生成提示：“你是一位Python专家，请用LangChain 0.3+ 实现一个RAG知识库代码。要求：1. 从本地PDF文件夹加载文档，使用PyPDFLoader；2. 使用RecursiveCharacterTextSplitter按1000字块分割，重叠200；3. 用OpenAIEmbeddings生成向量，写入Chroma（持久化到’./db’）；4. 创建检索链，返回包含source引用的答案；5. 每步加入try/except和logging，打印操作耗时。”
调试优化提示：“当前检索结果返回了无关片段，请帮我分析并修复。要求：1. 检查文本分割的chunk_size和overlap是否需要调整；2. 在检索前加入MMR（maximum marginal relevance）重排序；3. 在生成链中增加一个‘上下文完整性检查’步骤，过滤掉相似度低于0.7的片段；4. 输出完整的修改后代码，用diff格式标注改动处。”
行业实战增强提示：“针对金融合规文档（PDF中包含表格与页眉），生成一个RAG代码：1. 使用UnstructuredPDFLoader提取表格内容；2. 在文本分割时排除页眉页脚（需自定义splitter）；3. 向量库选用Milvus（带索引参数优化）；4. 生成答案时附上引用的具体段落编号；5. 添加单元测试用例（对检索模块进行Mock测试）。”


风格方向

代码风格：Pythonic、模块化拆分为函数（load_docs、split_chunks、build_vectorstore、create_chain、debug_retrieval）。
注释规范：每个函数头部写Docstring，标明参数、返回类型、异常；关键逻辑行加#说明。
日志风格：统一使用loguru库，输出INFO及ERROR级别，包含时间戳和函数名。
变量命名：语义化（如retrieved_docs、filtered_context），避免缩写。


构图建议

在提示词中要求AI同时输出Mermaid流程图（代码块形式），展示数据流：PDF → Chunks → Embeddings → VectorStore → Retriever → LLM生成。
若用于调试场景，建议绘制“检索失败树”图：标注可能故障点（分割不当、向量相似度阈值过低、LLM截断），并用红色节点高亮当前问题。
对代码结构，要求AI生成类图（UML），突出主类（RAGPipeline）与辅助类（DocumentLoader, TextSplitter, VectorStoreClient）的关联。


细节强化

错误处理：每个外部调用（文件读取、API请求、数据库连接）均需捕获特定异常（如FileNotFoundError、openai.APIConnectionError），并在日志中记录完整traceback。
性能监控：在分割、向量化、检索三步添加装饰器@timethis，输出平均耗时与内存占用。
数据校验：在构建向量库前检查空文档列表，在检索后验证返回的doc数量是否≥1，否则触发告警。
版本与依赖：在代码头部注明所需库及其版本号（如langchain==0.3.1, chromadb==0.5.0），并建议pip freeze锁定环境。


使用建议

首次使用核心提示词时，先设定明确输出格式：规定代码必须包含主函数if __name__ == '__main__'，且能独立运行。
调试过程中，建议分批向AI提供上下文：第一次只给“问题描述+当前错误日志”，第二次再提供完整代码以获取修复方案，避免信息过载。
对于行业实战场景，可在提示词末尾加入“请输出该代码在Docker容器中的配置说明（requirements.txt + Dockerfile）”，便于一键部署。
定期将生成的代码与社区主流RAG框架（如deepset/canopy、ray-llm）对比，用AI提示词进行“代码审查”以发现潜在冗余或安全漏洞。