以问答机器人理解提示词的构成与分类

规划的回归：产品体会的两条黄金原则

虽然GPT-4o等技能展示了令人惊艳的多模态才能，但在产品真实落地时，咱们仍需警惕理解偏差和操作门槛。在人机交融迈向新阶段的前夜，产品经理和规划师需要回归规划的本质，为AI产品的用户体会设定两条简单而务实的规划原则：

1）让用户的学习成本尽可能低

一个好的AI产品，应该像一位默契的伙伴，无需用户阅读冗长的说明书或上手教程，就能被自然地理解和运用。交互应该符合直觉，让用户能将实际国际的经历，无缝迁移到与AI的协作中。

2）让体系的反应尽可能清晰直观

AI的思考进程对用户而言是一个黑箱，因而，清晰的反应至关重要。用户的每一次操作，都应该得到体系及时、直观的呼应，让他们能清楚地看懂体系做了什么、成果是什么、以及为什么会这样。

只要先处理这些根底的体会问题，AI才能真实摆脱技能玩具的标签，走入用户的日常作业与生活，成为人人都能用、也乐意用的智能伙伴。

（总结-AI产品的四层架构）

案例：以问答机器人为例，看懂四层架构怎么协同

理论的价值在于辅导实践。现在，咱们将前面讨论的四层架构模型，运用到一个最常见的AI产品——智能问答机器人——的完好作业流程中，来看看这四层是怎么精细协同，呼运用户一次看似简单的发问的。

前置概念：理解提示词的构成与分类

在进入案例前，咱们有必要先厘清“提示词（Prompt）”在与大模型交互时的构成。一次终究发送给模型的完好指令，并非只要用户输入的那一句话，它一般是由多个部分动态组合而成的，主要包括：

• 体系提示词(SystemPrompt)：这是为AI设定的根底人设和举动纲要，一般对用户躲藏。产品经理经过体系提示词来限定模型的人物（“你是一个专业的法律顾问”）、口气和有必要遵守的中心规则。
• 用户提示词(UserPrompt)：用户的输入文本。
• 帮手提示词(AssistantPrompt)：模型返回的输出文本。
• 对话前史(ConversationHistory)：由过去的一轮或多轮“用户提示词+帮手提示词”共同构成。
• 增提示词(AugmentedPrompt)：这是一个复合概念，特指在RAG等运用中，由运用层在后台动态构建的、终究发送给大模型的完好指令，它一般是以上多个部分的集合体。

现在，让咱们带着这个认知，进入案例的完好流程。

用户层：旅程的起点

旅程的起点是用户层。用户在一个简洁的对话框或许语音交互界面中输入一个用户提示词，例如：“你们最新的A类型产品，比较上一代，主要有哪些晋级？”

运用层：从发问到精准应对

当用户的发问抵达运用层，为了确保回答的准确性和时效性，体系会发动一套精细的RAG（检索增强生成）机制。这个机制分为“离线”和“在线”两个阶段。

第一阶段：离线索引（常识库的预处理）

这个阶段在用户发问之前早已完成，其方针是将企业内部海量的、异构的原始常识，转化为一个高效可搜索的结构化索引。

1. 数据收集与加载(DataLoading)：首要，体系会从多种数据源（如PDF产品手册、Word文档、网页、数据库表格等）中加载原始数据。
2. 数据分块(Chunking)：由于大模型的上下文窗口有限，且在主题会集的小块文本上检索更精准，体系会将加载的长文档切割成一个个语义相对完好的文本片段（Chunk）。这一步需要注意防止损坏原文的语义，例如不能将一个完好的语句或表格从中截断。向量化嵌入(Embedding)：接着，体系会运用一个嵌入模型（EmbeddingModel），将每一个文本块从人类语言，转换成一个机器能理解的数学向量。至关重要的一点是，后续在线查询时，也有必要运用同一个嵌入模型，以确保查询和文档的向量处于同一个语义空间中，可以进行有效比较。向量存储与索引(Storage&Indexing)：最后，所有生成的文本向量及其对应的原始文本，会被存入一个专门的向量数据库（如Pinecone,Milvus）。数据库会经过近似最近邻（ANN）搜索等技能为这些高维向量树立高效的索引，以便在海量数据中进行毫秒级的快速查询。

第二阶段：在线推理（用户的实时恳求处理）