|
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;display: table;border-bottom: 2px solid rgb(15, 76, 129);color: rgb(63, 63, 63);visibility: visible;">引言 LLM 大语言模型，可以这么理解，假设人脑是可以置空的，还可以无损复制。某天获取一个置空的人脑，保留人脑中的神经元，不断用数据去训练它，让它知道数据之间的关系，并把这种关系记录到神经元网络中。等到训练完成，把它从训练器上取下来，无限复制。通上电，他说话，它就能理解，并且基于自己大脑中的知识，做出回答。
不过，它的知识会局限于训练时用到的数据，如果你问它此时此刻发生的事情，它是没法回答你的。这时，就需要用到 RAG 技术，通过给 LLM 提供额外的知识/内容，让 LLM 能够基于已有的知识 + 提供给它的内容，回答问题。
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;border-left: 3px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">RAG 简介RAG系统，首先从外部知识库中，检索与用户查询相关的文档或信息片段，将这些信息作为上下文提供给LLM。通过这些额外信息，LLM能够生成更准确、更具信息量且上下文相关的回复。相比传统LLM，RAG系统在处理事实性问题、生成特定领域内容以及保持信息时效性方面具有显著优势。通过将检索到的知识融入生成过程，RAG系统有效减少了LLM产生幻觉（大模型预测/输出，本质上是基于统计模型，返回概率最高的一个，如果没有相关内容，概率1% 的内容，也可能输出，导致输出无关/编造的内容）的可能性，提高了生成结果的可靠性。此外，RAG系统还支持轻松更新知识库，从而使LLM能够及时获取最新信息，保持其知识的时效性。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;border-left: 3px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">RAG 的核心技术有哪些？RAG 核心技术包括：prompt 工程，文本分块，向量数据库，内容检索/召回，效果评估，LLM 模型优化等。 ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;border-left: 3px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">prompt 提示词为什么要做prompt提示词工程？日常使用gpt，kimi，deepseek，直接问问题就好了，似乎也能给出比较合理的答案，还需要工程化吗？来看看deepseek给的回答。 直接提问，给的答案似乎还不错，如果只是想了解个大概，回答的内容已经够了，似乎没必要通过“工程”来解决问题。再来看一个例子，对于电商客服场景，你购买了耳机，想申请退货退款，如果你直接问，“我的订单号20250101293910101的耳机能退货吗？”，你猜AI会怎么回答？下面是deepseek给出的答案，您好，建议您提供更详细的订单信息，例如购买渠道、商品型号等，以便我们更好地帮助您查询退货政策。
一般来说，耳机的退货政策可能包括以下内容：
**退货条件**：耳机需未经使用、包装完好且配件齐全。 **退货时限**：通常在签收后7-15天内可申请退货，具体时限以购买渠道的售后政策为准。 **退货流程**：通过购买渠道的官方客服或订单页面提交退货申请，按指引退回商品。 **退款方式**：退款将原路返回至您的支付账户，具体到账时间视支付方式而定。
建议您尽快联系购买渠道的客服确认具体退货政策，以便及时处理。
这个答案是通识性的，模型能理解退款的含义，但是，对于特定上下文，订单号，并不能理解，通用大模型不可能了解企业内部业务规则。要解决这个问题，可以用RAG，给大模型提供背景知识（或者用agent，以后再谈）。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;border-left: 3px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">prompt工程化prompt工程化，通过系统性设计，优化 prompt，引导 LLM 生成更符合目标的输出。其核心是将模糊的意图转化为可执行的指令，并通过实验和迭代提升结果质量。工程化主要体现在以下层面： 1. 系统设计
2. 流程标准化
3. 可扩展性
4. 风险控制 ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;border-left: 3px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">prompt优化 - 电商客服例子我们来逐步优化提示词，问题还是：“我的订单号20250101293910101的耳机能退货吗？“。
1. 加入角色和约束 你是一名电商客服助手，需严格根据<知识库>回答：
<知识库>- 退货条件：未拆封商品，7天内可退- 订单20250101293910101：签收时间2023-10-05，商品已拆封</知识库>
问题：我的订单号20250101293910101的耳机能退货吗？回答：根据我们的退货政策，未拆封的商品在7天内可以退货。但是您提到耳机已经拆封了，因此根据规定，这个商品不能退货。
2. 添加分步思考和格式输出 #角色你是专业客服，需按步骤处理问题：1. 检索<知识库>中订单号和退货政策2. 比对时间、商品状态3. 若不符合条件，提供替代方案（如换货）
#约束- 禁止猜测知识库外的信息- 回答需包含订单号和政策条款编号
<知识库>- 退货条件：未拆封商品，7天内可退- 订单20231001：签收时间2023-10-05，商品已拆封</知识库>
问题：我的订单号20250101293910101的耳机能退货吗？回答：根据知识库中的信息：订单号20250101293910101的签收时间是2023-10-05，商品已拆封。退货政策明确规定，未拆封商品在7天内可退货。由于您的耳机已拆封，且退货条件只适用于未拆封商品，因此该耳机无法退货。替代方案：您可以考虑进行换货处理。如果您有其他需求，欢迎告知。
3. few-shot & 模板化 # 角色你是专业客服，需按步骤处理问题：1. 检索知识库中订单号和退货政策2. 比对时间、商品状态3. 若找到相关信息，按规则回答；若未找到，明确告知用户并提供替代方案
# 约束- 禁止猜测知识库外的信息- 若未找到相关内容，需明确告知用户并提供通用建议- 回答需包含订单号（如果提供）和政策条款编号（如果适用）
# 示例<示例1>用户问：订单20231001的耳机能退货吗？知识库：找到相关信息回答：订单20231001（签收时间：2023-10-05）已拆封，根据政策第2.1条不支持退货。建议申请换货，需保留原包装。</示例1>
<示例2>用户问：订单20231002的耳机能退货吗？知识库：未找到相关信息回答：抱歉，未找到订单20231002的相关信息。建议您联系人工客服或查看官网最新退货政策。</示例2>
<知识库>- 退货条件：未拆封商品，7天内可退- 订单20231001：签收时间2023-10-05，商品已拆封</知识库>
# 问题用户问：{{query}}
上面的提示词做了模板化，也是RAG的基础结构，只是实际在开发RAG的过程中，知识库的内容，是向量数据库，或者，es等检索引擎获取到的信息。
对比最初的问题，采用提示词结构，给提示词提供知识库，提供例子，大模型给出的回答也会越来越好。 |
