Введение
Retrieval-Augmented Generation (RAG) — архитектура, которая объединяет поиск по внешним источникам и генерацию ответов языковой моделью. Ключевой фактор успеха RAG — качество промтов на каждом этапе: от разбиения документов (чантинга) до формирования финального ответа. В этой подборке — 12 готовых промтов для настройки RAG-пайплайна. Они покрывают чанкинг, эмбеддинги, гибридный поиск и генерацию. Каждый промт снабжён пояснением и примером использования.
Откуда взяты промты?
Часть промтов основана на рекомендациях из документации LangChain и LlamaIndex, часть — на практическом опыте внедрения RAG в коммерческих проектах. Мы адаптировали их для универсального применения.
1. Промты для чанкинга
Эффективный чанкинг — основа качественного поиска. Вот три проверенных промта, которые помогут разбить текст на смысловые блоки.
Промт 1: Смысловое разбиение
Ты — эксперт по обработке естественного языка. Разбей следующий текст на логические блоки, каждый из которых содержит законченную мысль. Не объединяй блоки, если между ними нет тесной смысловой связи. Используй пустую строку как разделитель. Текст: {text}
Пояснение: Этот промт использует LLM для семантического чанкинга, что лучше, чем просто резать по словам или предложениям. Подходит для статей, документации, книг.
Пример: Для текста о машинном обучении промт выделит блоки «Определение ML», «Обучение с учителем», «Метрики качества» и т.д.
Промт 2: Чанкинг по заголовкам
Извлеки все разделы и подразделы из следующего текста. Для каждого раздела верни его заголовок и полный текст. Формат ответа: [Заголовок]: [текст]. Разделы отделяй строкой «---». Текст: {text}
Пояснение: Идеально для структурированных документов (технические спецификации, FAQ). Позволяет сохранить иерархию.
Пример: Для статьи с заголовками «Введение», «Методология», «Результаты» промт вернёт три чанка с соответствующим наполнением.
Промт 3: Динамический чанкинг с учётом длины
Разбей текст на блоки длиной от 200 до 500 токенов, стараясь не разрывать предложения и абзацы. Каждый блок должен быть логически завершён. Если последний блок слишком короткий (меньше 50 токенов), присоедини его к предыдущему. Текст: {text}
Пояснение: Этот промт даёт гибкий контроль над размером чанков, что важно для баланса между точностью поиска и контекстным окном генератора.
Пример: Для длинной технической документации промт создаст чанки по 300–400 токенов, сохраняя целостность абзацев.
2. Промты для эмбеддингов
Выбор модели эмбеддингов влияет на качество векторного поиска. Промты помогают сформулировать задачу для выбора или настройки эмбеддинга.
Промт 4: Выбор модели эмбеддингов
Для RAG-системы требуется модель эмбеддингов, которая хорошо работает с техническими текстами на русском языке. Сравни BAAI/bge-m3, intfloat/multilingual-e5-large и distiluse-base-multilingual-cased. Укажи размерность, длину контекста и поддерживаемые языки. Дай рекомендацию.
Пояснение: Промт для LLM-ассистента, который поможет разработчику выбрать подходящую модель. В реальном проекте можно дополнить своими требованиями.
Пример: Ответ укажет, что BAAI/bge-m3 поддерживает 100+ языков и контекст до 8192 токенов, что оптимально для русскоязычных документов.
Промт 5: Генерация эмбеддингов для метаданных
Для каждого документа создай короткое описание (до 50 слов), которое захватывает основную тему. Это описание будет использоваться как дополнительный эмбеддинг для гибридного поиска. Документ: {document}
Пояснение: Метаданные (например, краткое содержание) улучшают поиск по релевантности. Промт генерирует такой описательный эмбеддинг.
Пример: Для статьи о нейросетях описание: «Обзор архитектуры трансформера, механизма внимания и применения в NLP».
Промт 6: Аугментация текста для эмбеддингов
Перепиши следующий текст в более формальном стиле, сохраняя все ключевые термины. Это улучшит качество эмбеддингов для профессионального поиска. Текст: {text}
Пояснение: Иногда оригинальный текст имеет разговорный стиль, что снижает схожесть с формальными запросами. Аугментация приводит текст к единому стилю.
Пример: «Крутая библиотека для ML» → «Эффективная библиотека для машинного обучения».
3. Промты для гибридного поиска
Гибридный поиск объединяет векторный и ключевой (BM25) методы. Промты помогают настроить стратегию слияния результатов.
Промт 7: Формулирование запроса для BM25
Извлеки ключевые слова и фразы из пользовательского вопроса. Используй их для поиска по BM25. Игнорируй стоп-слова и общие глаголы. Вопрос: {query}
Пояснение: BM25 лучше работает с точными терминами. Этот промт готовит запрос для ключевого поиска.
Пример: Вопрос «Как настроить Docker для Python-приложения?» → ключевые слова: Docker, настройка, Python, приложение.
Промт 8: Взвешенная реранжировка
У тебя есть два списка результатов: векторный поиск (по косинусной близости) и ключевой (по BM25). Для каждого документа определи финальный релевантностный балл как: 0.6 * cosine_score + 0.4 * bm25_score. Верни топ-5 документов по итоговому баллу. Документы: {vector_results}, {bm25_results}
Пояснение: Веса можно настраивать под задачу. Промт автоматизирует реранжировку, не требуя внешнего кода.
Пример: Документ с cosine=0.85 и bm25=0.70 получит балл 0.60.85+0.40.70=0.79.
Промт 9: Декомпозиция сложного запроса
Пользовательский вопрос содержит несколько аспектов. Разбей его на простые подзапросы, каждый из которых можно искать отдельно. Затем объедини результаты в единый ответ. Вопрос: {question}
Пояснение: Для многосоставных вопросов (например, «Сравни архитектуры BERT и GPT по параметрам и областям применения») промт генерирует подзапросы, которые затем обрабатываются гибридным поиском.
Пример: Подзапросы: «Архитектура BERT параметры», «Архитектура GPT параметры», «Области применения BERT», «Области применения GPT».
4. Промты для генерации ответов
Финальный промт генератора определяет, как LLM использует найденные документы.
Промт 10: Ответ с цитированием
Используя следующие документы, ответь на вопрос. Для каждого факта укажи номер документа в квадратных скобках. Если документы противоречат друг другу, отметь это. Не добавляй информацию из своего обучения. Вопрос: {question}. Документы: {documents}
Пояснение: Повышает доверие к ответу и позволяет проверить источник. Подходит для юридических и медицинских RAG-систем.
Пример: «Согласно [1], для обучения GPT-3 использовалось 570 ГБ текста. В [2] указано 750 ГБ — источник различается.»
Промт 11: Структурированный ответ
На основе документов дай ответ в виде маркированного списка. Для каждого пункта приведи краткое обоснование из документа. Если документов недостаточно, укажи, какой информации не хватает. Вопрос: {question}
Пояснение: Улучшает читаемость, особенно для инструкций или сравнений.
Пример: «Пункт 1: Используй Python 3.10 (документ А рекомендует LTS-версии). Пункт 2: Установи зависимости через pip (документ Б приводит пример).»
Промт 12: Агрегация по временным меткам
Документы содержат даты. Отсортируй релевантную информацию в хронологическом порядке и дай ответ в виде временной шкалы. Если дата не указана, напиши «без даты». Вопрос: {question}. Документы: {documents}
Пояснение: Незаменим для исторических обзоров, changelog'ов, новостей.
Пример: «2020: BERT опубликован в arXiv. 2022: GPT-3.5 представлен. 2023: GPT-4 выпущен (без даты в документе).»
Заключение
Предложенные 12 промтов охватывают основные этапы RAG-пайплайна. Вы можете адаптировать их под свой стек (LangChain, LlamaIndex, Haystack) и язык. Рекомендуем тестировать каждый промт на реальных данных и корректировать под специфику домена. Начните с промтов для чанкинга и генерации — они дают наибольший прирост качества. Полный код интеграции этих промтов доступен в статье «Настройка RAG с LangChain: пошаговое руководство» на нашем блоге.
Источники: документация LangChain (langchain.com), LlamaIndex (docs.llamaindex.ai), статья «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» (Lewis et al., 2020), руководство Pinecone по RAG (pinecone.io/learn).
Комментарии