RAG 优化 Prompt 或调整 LLM 生成参数

优化 RAG（Retrieval-Augmented Generation） 系统的生成质量，主要涉及 Prompt Engineering（提示工程） 和 LLM 生成参数调整。以下是具体优化策略和实验方法：

---

1. Prompt Engineering 优化

Prompt 的设计直接影响 RAG 的生成效果，核心优化方向包括：

(1) 明确检索约束

确保 LLM 严格依赖检索到的内容，减少幻觉（Hallucination）：

• 基础版：

  基于以下文档回答问题，如果信息不相关，请回答“未找到答案”：
  <文档>{retrieved_text}</文档>
  问题：{query}
  

• 强化版（强制引用）：

  请严格根据提供的文档回答，并引用原文支持你的答案：
  <文档>{retrieved_text}</文档>
  问题：{query}
  答案必须包含“根据文档，...”的格式。
  

(2) 分步推理（Chain-of-Thought, CoT）

引导 LLM 分步思考，提升逻辑性：

请按以下步骤回答：
1. 从文档中提取与问题相关的关键信息。
2. 总结这些信息的核心观点。
3. 基于总结的内容生成最终答案。
问题：{query}

(3) 对抗性 Prompt 设计

预防用户误导或模型过度发散：

• 错误前提纠正：

  用户问：“为什么地球是平的？”  
  请根据科学证据回答，若用户前提错误，需明确指出并提供正确信息。
  

• 不确定性处理：

  如果文档中的信息不完整或矛盾，请回答“信息不足，目前已知：...”。