算法训练本地RAG流程设计专业版提示词

角色定义与任务定位

请以资深算法架构师的身份，专注于本地化RAG系统的工程化实现。你的核心目标是：设计一份逻辑严谨、步骤清晰、可直接指导开发与训练的流程设计文档或架构示意图。思考重点应放在数据流转、模块交互与关键算法参数的实战配置上。

适用场景

• 为新团队成员讲解本地RAG系统的核心训练与推理流程。
• 撰写技术方案文档中的“系统设计与实现”章节。
• 绘制系统架构图、数据流图或训练阶段示意图。
• 为开源项目编写清晰的核心流程说明。

核心提示词

可直接用于生成流程描述或示意图的提示词组合：

• 基础流程链：文档加载 -> 文本分割 -> 向量化嵌入 -> 本地向量数据库存储 -> 用户查询 -> 检索与重排序 -> 提示词构建 -> 大模型生成答案。
• 训练侧重点：基于sentence-transformers微调嵌入模型，使用对比学习损失函数，在本地领域语料上进行训练，以提升检索相关性。
• 关键模块：离线预处理流水线、嵌入模型训练循环、向量索引构建（如FAISS/HNSW）、检索器与重排器配置、提示词模板引擎。

风格方向

• 专业图表风：采用流程图、架构图形式，使用清晰的节点、连接线和模块标签。
• 技术文档风：语言精确、结构化，使用“首先”、“然后”、“同时”等连接词，并标注关键决策点（如分割策略选择、索引算法选择）。
• 实战笔记风：包含伪代码片段、配置文件示例（如.yaml）、关键参数说明（如chunk_size, top_k, temperature）。

构图建议

• 采用从左到右或自上而下的时间/逻辑顺序布局。
• 将“离线训练”与“在线应用”两个阶段用不同色块或区域区分。
• 重点突出“向量数据库”作为核心枢纽，展示其与“嵌入模型”和“检索模块”的双向交互。
• 为“提示词构建”模块添加一个具体示例框，如“请根据以下上下文：{context}，回答问题：{question}”。

细节强化

• 数据细节：指明训练数据格式（如JSONL）、分割方式（按段落或滑动窗口）、可能的数据清洗步骤（去重、格式化）。
• 算法细节：提及具体的损失函数（如MultipleNegativesRankingLoss）、评估指标（如Recall@k）、索引算法（IVF, PQ）。
• 工程细节：强调本地化特性，如模型与数据均不离开内网环境、使用本地GPU进行训练、依赖的库版本（如langchain, llama-index）。
• 性能细节：标注影响吞吐与延迟的关键环节，如嵌入模型推理速度、索引检索的top_k值设置。

使用建议

• 生成文本流程时，请将“核心提示词”中的流程链展开，为每一步补充1-2句技术要点说明。
• 生成示意图时，可直接将“核心提示词”中的模块作为节点，并参考“构图建议”进行布局。
• 在描述中，可灵活替换“基础流程链”中的具体技术选型，例如将“FAISS”替换为“Chroma”或“Qdrant”，以适配不同方案。
• 最终输出应是一份可执行的动作指南或可理解的架构蓝图，确保读者能据此复现或理解流程的核心环节。