RAG场景提示词工程实战
RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型"查资料再回答"的技术。
普通的大模型问答，AI 完全依赖自己训练时学到的知识。这有两个问题：
- 知识可能过时——训练数据有截止日期
- 可能不了解你的专属内容——比如你公司的产品文档、内部政策
RAG 的解决方案是：
- 用户提问时，先从知识库中检索相关文档片段
- 把这些文档片段和用户问题一起发给大模型
- 让大模型基于这些"参考资料"来回答
这样，AI 的回答就有了"出处"，而且可以包含最新的、专属的知识。
但 RAG 场景的提示词设计，比普通对话复杂得多。因为你要处理一些特殊问题：
- 怎么让 AI 只用给定的资料，不自己编
- 检索到的多份资料有冲突怎么办
- 怎么让 AI 标注引用，让用户知道答案来源
- 资料里没有相关信息时怎么处理
- 怎么防止恶意用户在资料里植入攻击指令
这一章就专门聊这些问题。
限定知识来源：最重要的规则
RAG 最核心的规则
RAG 场景最核心的规则就一条：只用给定的参考资料回答，不要自己编。
光有规则还不够，还要有"惩罚"机制——告诉 AI 违反这个规则的后果：
警告：如果你的回答包含参考资料中没有的信息，会被视为错误回答。宁可说"不知道"，也不要编造。
付费内容提示
该文档的全部内容仅对「JavaUp项目实战&技术讲解」知识星球用户开放
加入星球后，你可以获得：
- 超级八股文：100万+字的全栈技术知识库，涵盖技术核心、数据库、中间件、分布式等深度剖析的讲解
- 讲解文档：超级AI智能体、黑马点评Plus、大麦、大麦pro、大麦AI、流量切换、数据中台的从0到1的详细文档
- 讲解视频：超级AI智能体、黑马点评Plus、大麦、大麦pro、大麦AI、流量切换、数据中台的核心业务详细讲解
- 1 对 1 解答：可以对我进行1对1的问题提问，而不仅仅只限于项目
- 针对性服务：有没理解的地方，文档或者视频还没有讲到可以提出，本人会补充
- 面试与简历指导：提供面试回答技巧，项目怎样写才能在简历中具有独特的亮点
- 中间件环境：对于项目中需要使用的中间件，可直接替换成我提供的云环境
- 面试后复盘：小伙伴去面试后，如果哪里被面试官问住了，可以再找我解答
- 远程的解决：如果在启动项目遇到问题，本人可以帮你远程解决
进入星球后，即可享受上述所有服务，保证不会再有其他隐藏费用。
