在 RAG 系统中，检索模块负责“找什么”，而生成模块负责“怎么回答”。决定生成模块行为的关键，不是模型本身，而是喂给它的提示词（prompt）。提示词工程的核心任务是：通过精心设计的指令和上下文结构，让模型在给定检索结果的基础上，产出准确、可用、符合业务预期的答案。
在 RAG 的典型链路中，提示词并非简单的“请回答问题”，它要同时完成三项核心功能：指令约束、格式规范、引用要求。
1. 指令约束：明确模型的“答题规则”
检索到的文档片段是回答的素材，但如果模型不遵守既定的使用方式，这些素材就形同虚设。指令约束的作用是划定模型的生成边界和行为准则。
常用的指令约束内容包括：
- 回答依据限定：“仅使用下方提供的资料回答问题。如果资料中没有相关信息，请直接回复‘在现有资料中未找到相关内容’。”
这是 RAG 提示词中最关键的一句。它能防止模型在找不到答案时，动用自身存储的内部知识强行填补，从而避免幻觉。
- 角色与场景设定：“你是一个严谨的内部技术支持助手，回答应当专业、准确。”
角色设定有助于模型调整语言风格和严谨程度，使生成结果更契合实际使用场景。
- 多义问题的澄清指引：“如果问题存在歧义，请指出并按最可能的理解作答。”
对于可能被曲解的提问，这一指令让模型的应答更具容错性。
- 禁止编造信息：“绝对不要编造、推测或引入资料之外的事实。”
通过明确的否定性指令，进一步收紧模型的自生成空间。
示例对比
- 不加约束：“我们的笔记本电脑支持快充吗？” → 模型可能泛泛地回答：“支持，多数笔记本都支持 PD 快充。”
- 加上约束：“仅根据以下产品技术文档回答……” → 如果文档中未明确说明，模型会诚实回复：“现有资料中未提及该型号支持快充。”
约束越具体，回答越可预期。实践中建议用清晰、无歧义的短句，将最关键的规则放在提示词的开头或结尾，避免被长上下文冲淡。
2. 格式规范：让回答“机器可读、人易用”
RAG 系统生成的回答往往不只用于人工阅读，还可能被下游程序解析或集成到用户界面中。一致的输出格式可以大幅降低后处理复杂度。
格式规范通常包括：
- 内容结构要求：“回答请按以下结构组织：① 直接结论；② 详细说明（如有）；③ 参考来源。”
这样用户一眼就能看到核心结论，不满意时再往下阅读细节。
- 列表、段落等排版约定：“如果回答包括多个要点，请使用无序列表展示。”
列表式回答视觉上更清晰，尤其适合步骤类、对比类信息。
- 关键信息的标记方式：“金额、日期、条款编号等关键数据请加粗显示。”
便于用户快速定位核心数字或条款。
- 回答长度控制：“总结性回答不超过 150 字，详细解释可酌情扩展。”
避免模型在检索到大量信息时生成冗长的回复，节省推理成本和用户时间。
在真实业务中，输出格式的不统一是导致“RAG 虽然能答对但不好用”的常见原因。工程师花费大量时间编写后处理正则，远不如在提示词中就约定好格式来得经济。
实用建议：提供一两个期望格式的示例（few-shot），能显著提升格式遵从率。例如在提示词中加入：
期望回答格式示例：
答复：支持 USB-C 65W 充电。
依据：X200 技术规格书第 3 页。在模型看到明确的格式示范后，实际生成会规范得多。
3. 引用要求：让溯源成为强制动作
RAG 的溯源能力只有真正落地到回答中才具有价值。提示词是驱动模型在回复时附上来源信息的最直接工具。
引用要求可以细化为：
- 来源内容选择：“在回答的末尾，请逐个引用你使用过的资料片段，并标注其来源文件名和章节。”
模型是根据提示词中的片段内容生成回答的，这些片段通常会携带元数据（如来源文件名、段落编号）。要求它明确列出参考来源，就是将这些元数据放到回答中。
- 内嵌引用格式：“如果回答中直接使用了某资料的某一句话，请在该句后用【来源：文件名，章节】标出。”
这种方式显得更专业，适合合规和审计场景。
- 强制引用原则：“任何陈述，只要是从资料中得出的，都必须引用来源。”
这能迫使模型在回答中保持引用意识，而不是只有部分事实附出处。
- 引用格式统一：“引用格式：
[文档名] > [章节/页码]”。
保持统一便于前端样式化，例如将引用转换为超链接。
实际示例
提示词片段：
根据下方提供的资料片段回答问题，并在每个事实陈述后标注来源，格式为【文档名，章节】。
资料1：来源《员工手册》第3章，内容：年假时间为15天。
资料2：来源《福利补充说明》第2条，内容：未休年假可按200%折算工资。
问题：今年的年假政策是什么？
回答：
年假时间为15天【员工手册，第3章】。未休完的年假可以按200%折算成薪资【福利补充说明，第2条】。这样生成的回答，审查者能立刻核对，用户也能深度溯源，实现了 RAG 的完整价值闭环。
4. 三者如何协同：一个完整的 RAG 提示词模板
实际工程中，指令约束、格式规范和引用要求往往融合在一份提示词中。以下是一个可直接使用的模板范例：
你是一个企业知识库助手。请严格按照以下规则回答问题：
1. 仅使用下方【参考资料】中提供的信息作答。如果资料无法回答问题，请回复“抱歉，现有资料中未找到相关信息。”绝不要编造、补充或推测任何事实。
2. 回答结构：先给出简洁的结论，再展开详细说明（若有必要）。
3. 如果信息分多个要点，请用无序列表呈现。
4. 每个事实陈述后必须标注引用来源，格式为：【文档名，章节】。
5. 回答语气专业、平实，避免过度修辞。
【参考资料】
{检索到的文档片段，每条附来源元数据}
【用户问题】
{用户输入的问题}
请回答：这个模板将三大作用融为一体，既约束了行为，又规定了输出形状，还强制了溯源，可直接部署到绝大多数 RAG 业务中。
5. 避坑与优化建议
- 提示词过长可能适得其反：如果指令过多或检索片段过长，模型可能忽略靠后的规则。建议将约束性规则放在提示词开头，片段放在中部，问题放在结尾。
- 格式要求与模型能力匹配：小型模型对复杂格式遵从度较低，可适当简化要求，或采用 post‑processing 兜底。
- 引用信息可能暴露内部元数据：如果引用中包含超出用户权限的内部路径，前端应做过滤处理。
- 持续测试与迭代：提示词的优化是一个经验性工作，建立“问题‑回答‑期望格式”的测试集，迭代调整措辞，直到输出稳定达标。
提示词工程虽然不涉及模型训练，但在 RAG 效果调优中占据了非常重要的位置。好的提示词能把检索到的信息“榨干”用足，差的提示词则可能让整套系统输出的严谨性大打折扣。将指令约束、格式规范与引用要求作为一个整体来设计，是让 RAG 从“能答对”走向“真正好用”的关键一步。