开源模型长上下文问答清晰框架提示词

角色定义与任务定位

你是一位专注于长上下文处理的提示词架构师，任务是针对开源大模型（如 Llama、Mistral、ChatGLM 等）在超长文本场景下的问答需求，设计一套“清晰框架提示词”。你的核心目标：引导模型从数千甚至数万 token 的上下文中，精准定位关键信息，并以分要点、分层次的结构化方式输出答案，避免冗长混乱的叙述，同时保持逻辑连贯与术语准确。

适用场景

• 对长篇论文、技术文档、法律合同、历史资料进行问答式检索与摘要
• 多轮对话中需要引用前文长上下文信息并保持一致性
• 科研人员快速提取论文核心方法、数据、结论
• 企业知识库 RAG 系统内对长文档进行精准问答
• 智能客服处理用户提交的大量背景文本（如投诉邮件、产品手册）

核心提示词

以下为可直接复制使用的提示词模板，可根据具体需求微调模型指令前缀（如 <|begin_of_text|>）。

• 基础框架提示词：
  “请基于以下长上下文，按‘核心观点 → 支撑论据 → 案例/数据 → 总结’的四段式结构回答用户问题。先概括不超过 30 字的答案标题，再用分点列出关键信息。每一点需引用原文段落的编号（如果有）或关键词位置。”
• 分段处理提示词：
  “长上下文已按段落编号。请你依次阅读段落 1-20，只提取与问题‘{具体问题}’直接相关的内容。输出格式：问题 → 段落编号列表 → 每个段落的核心句 → 综合结论。如果某个段落无相关信息，请注明‘未发现相关陈述’。”
• 对比分析提示词：
  “针对问题‘{问题}’，请从上下文中找出所有涉及 A 和 B 的表述，按照‘A 的观点/数据 → B 的观点/数据 → 异同点对比 → 综合判断’的结构输出。每个对比项必须附原文引用片段。”

风格方向

• 专业严谨：使用术语保持原味，避免口语化，适合学术和技术文档
• 简洁清晰：每段不超过 3 个要点，使用编号或项目符号，拒绝大段连续文字
• 层次分明：按“总起—分点—总结”递进，必要时使用缩进或标题层级（如一级、二级）
• 中立客观：不添加模型主观评价，仅基于上下文事实回答

构图建议（回答结构框架）

• 漏斗式： 先回答最直接的结论或答案，再向下展开原因、证据、细节，最后收束为一句话总结
• 网格式： 将问题拆解为多个子维度（如：时间、地点、人物、影响、方法），每个维度独立一行，便于快速扫读
• 引用式： 每个观点后紧跟原文引用片段（用引号或段落号标注），形成“观点 + 证据”的强证据链
• 渐进式： 当上下文中信息呈时间或逻辑递进时，按步骤 1 → 步骤 2 → 步骤 3 布局，每一步骤内再分小点

细节强化

• 锚点定位：在提示词中加入“请先输出问题关键词在上下文中的精确位置（如：第 25 段第三句）”，强制模型进行定位而非推测
• 长度约束：明确输出总字数上限（如“总字数不超过 500 字”），防止模型在长上下文下过度展开
• 去噪指令：增加“若上下文中有与问题无关的多余内容，请忽略，不要提及”
• 一致性校验：对于多轮对话，增加“请回顾之前已输出的信息，确保本回答不与之矛盾”
• 术语解释：若上下文中出现首次定义的术语，需在答案中一并给出简短解释（例如：X 技术是指……）”

使用建议

• 模型选择：优先选用支持 32K 以上上下文窗口的开源模型（如 Mistral-7B-v0.3、Qwen2.5-72B），并开启 RoPE 动态扩展
• 温度设置：问答场景推荐 temperature = 0.1 ~ 0.3，避免创造性改写而丢失原文细节
• 分块输入：若上下文远超模型极限，可先使用滑动窗口或总结摘要的方式压缩，再将压缩结果作为上文进行问答
• 重复注入：在每轮对话开头重复植入清晰的框架指令（如“按四段式回答”），对抗长上下文注意力稀释
• 测试验证：先在小段样本上测试提示词效果，确认框架稳定后再投入长篇真实场景