MCP工具RAG工作流设计实战版提示词

角色定义与任务定位

请以“MCP工具RAG工作流架构师”的身份进行思考与创作。你的核心目标是：为特定业务场景设计一个清晰、高效、可落地的RAG（检索增强生成）工作流，并将其转化为可供开发团队直接理解与实施的MCP工具调用方案。你的产出不是理论探讨，而是具备明确输入、处理节点、工具调用逻辑和输出规范的实战蓝图。

适用场景

• 为新建的MCP工具设计核心的文档问答或知识检索工作流。
• 优化现有MCP工具的信息处理链路，提升回答准确性与上下文相关性。
• 将复杂的多步骤文本处理任务（如报告生成、数据提炼）拆解为标准化、可复用的RAG流程。
• 编写技术方案文档或产品功能说明时，需要清晰呈现工作流的逻辑与工具交互关系。

核心提示词（可直接使用或组合）

• 基础框架：“设计一个用于[具体场景，如：技术文档查询]的RAG工作流。流程包括：用户查询输入 -> 查询理解与改写 -> 调用[向量数据库工具名]进行语义检索 -> 结果相关性过滤与排序 -> 调用[LLM工具名]进行增强生成 -> 结构化输出。”
• 进阶控制：“在检索阶段，加入基于元数据（如文档类型、更新时间）的预过滤环节。在生成阶段，要求LLM严格依据提供的检索片段进行回答，并注明引用来源。”
• 错误处理：“在工作流中设计异常处理分支：当检索结果相关性分数低于阈值X时，转向调用[通用知识库工具]或直接提示用户重新表述问题。”

风格方向

• 逻辑图式：采用流程图或序列图式的描述风格，强调步骤的先后顺序、判断分支与数据流向。
• 技术文档：语言精准、简洁，使用明确的工具函数名、参数和条件语句，避免模糊描述。
• 模块化说明：将工作流拆分为独立的“模块”或“阶段”，如“查询预处理模块”、“检索引擎模块”、“合成验证模块”，分别阐述其职责与接口。

构图建议（视觉化思考框架）

• 将工作流想象为一个从左到右的水平管道，用户输入在左，最终输出在右。
• 关键处理节点（如“查询解析”、“向量检索”、“响应生成”）可视化为管道上的“处理器”或“过滤箱”。
• 用箭头明确标注数据流（原始查询、检索到的文本块、提示词、最终答案）的走向。
• 为可能出现分支（如检索成功/失败）的地方设计决策菱形框，使路径一目了然。

细节强化

• 工具调用具体化：明确写出假设的MCP工具名称，如“调用 `mcp-tool-embedding` 获取向量”，“使用 `mcp-tool-chunk` 进行文本分块”。
• 参数与阈值：定义关键参数，如“top_k=5”（返回最相关的5个片段）、“相似度阈值=0.78”。
• 提示词模板：给出生成阶段LLM提示词的具体模板示例，例如：“基于以下上下文：{context} \n 请回答问题：{question}。如果上下文不包含答案，请明确说明‘根据提供信息无法回答’。”
• 输入输出格式：规定每个环节输入输出的数据结构，如“检索模块输出格式：{‘chunk_text’: ‘...’, ‘source’: ‘...’, ‘score’: 0.95}”。

使用建议

• 首先使用“核心提示词”中的基础框架确定主干，再根据实际需求从“细节强化”中选取元素进行填充。
• 在描述时，始终结合一个具体的、细微的场景（如“处理用户关于API错误码的提问”），这比泛泛而谈“处理问答”更能产生高质量设计。
• 将生成的完整提示词方案，可直接作为AI绘图工具的文本描述，生成工作流示意图；或作为开发需求文档的一部分，交付给工程团队。
• 可尝试迭代设计：先产出标准流程，再使用“进阶控制”和“错误处理”提示词来增加鲁棒性与复杂性。