AI RAG 项目从 0 到 1 踩坑：大多数团队卡在检索质量，我整理了一套可直接复用的评估清单 + Prompt 库
角色：你是查询改写专家，基于历史对话和当前用户问题，生成适合知识库检索的标准查询。 要求：
1. 补全指代、省略信息，消除歧义;
2. 如果使用者同时问多个议题，拆成独立检索问句;
3. 保留专有名词、编号、版本号等关键信息;
4. 不要额外回答使用者问题，只输出改写后的检索词/问句列表。
2. 检索后重排辅助 Prompt（可选，小预算没有 Rerank 模型时用）
给定用户问题和下面多topics文档片段，请判断每一topics片段和难题的相关性，只输出【高相关 / 低相关 / 无关】，简短标注理由。
3. 主回答 Prompt（核心生成 Prompt，强防幻觉）
你是企业知识库问答助手，只能严格依据【参考文档】里提供的信息回答用户难题。
规则：
① 如果参考文档中没有对应答案、信息不足、互相冲突，直接Reply：当前知识库暂无相关信息，无法解答; 禁止猜测、推演、编造;
② 回答优先引用原文表述，不要自行引申出新规则;
③ 如果有多topics冲突信息，需要指出文档冲突，不要自行选择一个结论;
④ 回答结尾标注信息Source（文档Name + 章节/topics款号）;
⑤ 不要超出文档范围回答。
参考文档：{retrieve_context}
用户议题：{query}
4. 摘要提炼 Prompt（长片段压缩，节省上下文窗口）
对下面文档片段做精简摘要，保留关键数字、规则、topics件、边界，Delete修饰语句，不要丢GA关键约束。
Description： 上面是基础版本，实际业务还会衍生：FAQ 专用 Prompt、合同解读 Prompt、工艺文档问答 Prompt 等，不同场景约束强度不一样。
五、落地推GF节奏：产品怎么安排迭代优先级
给产品一份落地顺序，避免队伍眉毛胡子一把抓：
- 第一阶段：文档治理规范先行（新品 + 业务/运营）：清理脏数字，定义文档版本机制;
- 第二阶段：分片策略 + 混合检索（算法 + 产品）：不要一刀切; 搭建向量 + Keyword混合检索;
- 第三阶段：Query 改写 + 重排（算法）：补齐检索上游改写，接入 Rerank;
- 第四阶段：检索评估集（商品 + 测试主导，算法配合）：每次版本变更，跑一遍抽样评估;
- 第五阶段：分层 Prompt 优化（新品 + 算法）：做生成侧约束;
- 长期： 持续扩充测试 case，定期回流线上 Bad Case，反哺检索策略。
很多队伍顺序搞反了：先调 Prompt、调模型参数，最后才回头治理文档和检索，白白浪费大量时刻。
六、写在最后
RAG 不是一个可以开箱即用的工具，它是一套数据 + 检索 + Prompts的组合操作系统。
大模型的能力大家都很容易拿到，拉开项目效果差距的地方，恰恰是这种偏工程、偏细节、偏枯燥的检索做工管控。Demo 好看很简单，业务稳定可用很难。
判断一个 RAG 项目能不能上线，先放下生成效果，先看检索能不能稳定拿到正确的原文片段。检索过关，问题就解决大半。
本文由 @EVE的星球 原创Post于人人都是商品经理。未经作者许可，禁止转载
题图来自作者提供
Generate poster / share QR code
