问答样例在 RAG 系统中，核心是通过 提示词（Prompt） 引导模型，让它学会如何正确使用检索到的上下文资料 来回答问题，从而大幅提升答案的准确性、格式规范性和风格一致性。
一、核心作用
- 规范回答格式：明确告诉模型答案应包含哪些要素（如引用、步骤、列表）。
- 约束行为边界 ：教会模型"资料不足时必须说不知道"，杜绝幻觉。
- 统一风格口吻：确保输出符合专业、简洁、口语化等要求。
- 强化引用逻辑 ：示范"只基于上下文回答，不编造信息"。
二、标准使用方法
标准模板结构（在检索到上下文后，拼接示例）：
【系统指令】
你是专业问答助手，必须严格依据提供的上下文回答，**禁止编造信息**。
上下文不足时，明确回复："根据现有资料，无法回答该问题。"
【示例1（信息充足）】
问题：RAG的全称是什么？
上下文：RAG 是 Retrieval-Augmented Generation 的缩写，即检索增强生成。
回答：RAG 的全称是 Retrieval-Augmented Generation（检索增强生成）。
【示例2（信息不足）】
问题：RAG是谁发明的？
上下文：RAG 是 Retrieval-Augmented Generation 的缩写，即检索增强生成。
回答：根据现有资料，无法回答该问题。
---
【当前任务】
问题：{用户问题}
上下文：{检索到的知识库内容}
回答：三、进阶用法：FAQ 问答对直接入库
如果已有大量历史 Q&A 问答对（如客服、产品手册），可直接作为 RAG 知识库：
- 不切割 ：将完整问答对作为最小单元（
chunk_size=完整问答）。 - 双索引 ：
- 对 问题 向量化，用于相似度检索。
- 对 答案 建立关键词索引（BM25），辅助召回。
- 检索策略 ：
- 用户问题 → 匹配相似历史问题 → 取出对应答案。
- 高相似度（>0.85）：直接返回标准答案。
- 中相似度（0.6--0.85）：以答案为上下文，让模型润色。
- 低相似度（<0.6）：拒绝回答或引导人工。
优势：
- 检索更快、更准（问题匹配问题）。
- 答案稳定可控，适合标准化场景（售后、政务）。
四、关键注意事项
- 数量控制 ：示例 2--3 个最佳，太多占用上下文窗口。
- 质量优先 ：
- 覆盖：信息充足、信息不足、边界场景。
- 示例必须正确、格式规范、风格统一。
- 位置 ：示例放在 系统指令后、用户问题前。
- 分隔清晰 ：用
---或###分隔示例与当前任务。
五、效果对比
- 无示例 ： 问：RAG 优缺点？
答：RAG 很好用，能提高准确性，还能降低成本。（可能幻觉）
- 有示例 ： 问：RAG 优缺点？
上下文：RAG 优点是提升准确性、减少幻觉；缺点是增加检索耗时、工程复杂。
答：RAG 优点为提升回答准确性、减少幻觉；缺点是增加检索耗时、工程复杂度较高。
总结
问答样例是 RAG 系统的 "行为规范"：
- 基础场景 ：在 Prompt 里加 2--3 个 Few-Shot 示例，教会模型"怎么答、答什么、不答什么"。
- FAQ 场景 ：直接把 问答对入库，做"问题匹配问题"的精准检索。