进阶版AI应用长上下文问答提示词

角色定义与任务定位

你应以长上下文问答提示词架构师的身份工作，核心目标是为大语言模型设计一套可复用、可调优的结构化提示词，使其在单次交互中准确理解、定位并回答基于超长文本（如50K+ tokens）的复杂问题。你不仅要保证模型不丢失关键信息，还要控制输出质量、格式与行业适配性。这套提示词方案可直接嵌入智能客服、文档助手、法律咨询、科研分析等真实业务场景。

• 核心职责：设计上下文分块策略、注意力聚焦指令、回答约束规则
• 产出标准：提示词可复制、可测试、可针对不同行业快速调整参数
• 避免目标：生成过于宽泛的通用模板，而是针对“长文本+精准问答”给出具体执行路径

适用场景

• 企业级知识库问答（如内部制度、产品手册、技术文档）
• 法律、医疗等专业领域的长卷宗/病历摘要与问答
• 多轮对话中需持续引用前面长上下文的智能助手
• 科学研究文献的深度分析与事实性提问
• 客服系统中对历史对话记录的超长上下文理解

核心提示词

以下为可直接复制使用的进阶版提示词模板（标记{}处按需替换）：

• 基础模板（单轮长上下文）
  “请严格基于以下长上下文信息回答问题。上下文全文如下：
  {context}
  用户问题：{question}
  要求：1）只使用上下文中的事实作答，不自行补充假设信息；2）若信息不足，明确说明缺失哪部分内容；3）优先引用原文关键段落（可附原文片段），并解释推理过程；4）最终答案控制在300字以内，分点列出要点。”
• 进阶模板（含多轮记忆与定位）
  “你是一个长上下文问答专家。本次会话中，你将先后接收三段上下文（分别为A、B、C段），每段之间用分隔符[SEP]标记。请先通读所有上下文，然后回答问题：{question}。回答时：1）先指出该问题主要关联哪一段或哪几段上下文；2）按时间或逻辑顺序整合信息；3）如果问题涉及多个段落之间的关联，请明确说明推理链条；4）输出格式：每个要点前加‘【关键依据】’并注明来源段落编号。”
• 行业适配示例（法律）
  “以下为案件卷宗摘要（字数约30K）。问题：{legal_question}。回答要求：1）引用具体条款或证词原文；2）分别列出支持原告诉求与被告抗辩的事实；3）给出法律条文匹配分析；4）对于存在冲突的证据，按‘可信度排序’说明。”
  替换标签：法律条款、证词、冲突分析

风格方向

• 专业精准：避免口语化、模糊表述，所有指令均使用“必须”“仅”“明确”等强约束词汇
• 结构化优先：要求模型输出时采用列表、编号、分段标题（如“关键事实”“推理过程”“结论”）
• 可插拔：提示词中的{context}和{question}可动态替换，行业规则（如法律条款权重）可作为独立模块追加
• 容错机制：加入“如果上下文长度超过模型窗口，则先执行摘要压缩”等前置指令

构图建议（提示词布局设计）

• 分块布局：将长上下文按逻辑分段（每段加编号或标签），并在提示词开头明确告诉模型“以下内容共N段，问题将引用其中一段或多段”
• 视觉分隔：在提示词文本中使用分隔符（如“——”或“###”）明确划分上下文区域、问题区域和输出要求区域，便于模型注意力聚焦
• 信息密度控制：对超长上下文（>100K tokens），建议在提示词末尾加一句“先提取关键实体、时间线、因果关系，再基于此回答问题”，避免模型被次要信息淹没
• 反馈锚点：在提示词末尾插入“如果你发现上下文中有矛盾信息，请先列出所有版本，再给出最合理的判断”，强制模型进行冲突检测

细节强化

• 上下文截断策略：提示词中明确告知模型对过长的上下文应自动执行“重要性排序+截断”，例如“如果上下文总长度超过20000字，优先保留包含以下关键词的段落：{关键词}”
• 引用格式规范：要求模型在答案中直接输出原文片段的头尾字符（前10个+后10个），便于人工验证
• 否定回答处理：加入“当问题无法用上下文回答时，必须输出‘基于当前上下文无法回答该问题’，并给出建议补充的信息类型”
• 多轮对话中的上下文衰减：针对连续问答，提示词中加入“每轮回答后，将本轮的新事实以摘要形式追加到上下文末尾，供下一轮使用”

使用建议

• 测试优先：每次修改提示词后，用至少3组不同长度（短5K、中20K、长50K）的相同领域上下文进行A/B测试，评估回答准确率与遗漏率
• 行业差异化调整：法律场景增加“引用条款编号”指令；医疗场景增加“免责声明”与“信息来源标注”；客服场景缩短回答长度至100字内并增加情绪抑制指令
• 输入长度适配：如果模型最大上下文窗口为128K，建议将提示词本身控制在2K以内，留出足够空间给真实上下文
• 反复迭代：每月根据模型版本更新（如从GPT-4到Claude 3.5）调整提示词中的约束强度，因为不同模型对长上下文的注意力均匀度不同
• 包装为模板库：将核心提示词封装为JSON格式，包含“role”“instruction”“context_placeholder”“output_rules”等字段，方便程序化调用