Введение
Retrieval-Augmented Generation (RAG) — это не просто модный термин, а рабочий подход к созданию ИИ-систем, которые отвечают на вопросы на основе ваших данных. В 2026 году RAG стал стандартом для корпоративных чат-ботов, поисковых ассистентов и систем поддержки принятия решений. Однако ключевой вызов остаётся прежним: как заставить модель обращаться к нужному контексту и не галлюцинировать? Ответ кроется в качественных промтах — инструкциях для этапов индексации, поиска и генерации.
В этой статье я собрал 7 проверенных промтов, которые помогут вам настроить RAG-пайплайн: от разбиения документов на чанки до финального ответа пользователю. Каждый промт сопровождается примером результата и пояснением, как он решает конкретную проблему. Материал основан на документации LangChain, LlamaIndex и исследованиях Anthropic (2024–2026), а также на моём опыте внедрения RAG в продуктовые системы.
Почему промты критичны для RAG?
RAG-система состоит из трёх этапов:
1. Индексация — разбиение документов на чанки, создание эмбеддингов и сохранение в векторной базе данных.
2. Поиск — извлечение релевантных чанков по запросу пользователя.
3. Генерация — формирование ответа на основе найденного контекста.
На каждом этапе промт определяет качество результата. Например, плохой промт для чанкинга может разорвать логический блок текста, а слабый промт для генерации — заставить модель игнорировать контекст. Исследование Anthropic (2025) показало, что оптимизация промтов для RAG повышает точность ответов на 40% по метрике ответов на вопросы (Q&A accuracy).
Категория 1: Базовые промты (индексация)
Промт 1: Умный чанкинг с семантической границей
Задача: Разбить документ на чанки так, чтобы не разрывать предложения и абзацы, и сохранить смысловую целостность.
Промт:
Ты — система чанкинга текста. Разбей следующий документ на чанки по 500 токенов с перекрытием 50 токенов. Используй семантические границы: разрывай только после завершения предложения или абзаца. Если чанк обрывается на середине предложения — перенеси его в следующий чанк. Верни список чанков в формате JSON: [{"chunk_id": 1, "text": "..."}].
Документ: {текст документа}
Пример результата:
[
{"chunk_id": 1, "text": "RAG-системы используют векторные базы данных для поиска релевантных чанков. В этой статье мы рассмотрим..."},
{"chunk_id": 2, "text": "...рассмотрим основные этапы построения RAG. Начнём с индексации данных. Индексация включает чанкинг и создание эмбеддингов."}
]
Почему это важно: Без семантического чанкинга модель может получить обрывок текста, который теряет контекст. Например, чанк, заканчивающийся на «нейронные сети могут», а следующий начинающийся с «быть обучены» — модель может не связать части. Промт решает эту проблему.
Промт 2: Эмбеддинг с нормализацией
Задача: Создать эмбеддинги для каждого чанка с учётом нормализации вектора.
Промт:
Ты — система эмбеддингов. Для каждого чанка из списка создай вектор эмбеддинга с помощью модели text-embedding-3-small от OpenAI. Нормализуй вектор (L2-норма) перед сохранением. Верни список эмбеддингов в формате: [{"chunk_id": 1, "embedding": [0.12, -0.34, ...]}].
Список чанков: {чанки}
Пример результата:
[
{"chunk_id": 1, "embedding": [0.023, -0.456, 0.789, ...]},
{"chunk_id": 2, "embedding": [-0.112, 0.334, -0.567, ...]}
]
Почему это важно: Нормализация эмбеддингов улучшает косинусное сходство при поиске. Без неё векторы с разными нормами могут искажать метрики расстояния.
Категория 2: Продвинутые промты (поиск)
Промт 3: Гибридный поиск (ключевые слова + векторный)
Задача: Объединить результаты поиска по ключевым словам (BM25) и векторного поиска для повышения релевантности.
Промт:
Ты — система гибридного поиска. У тебя есть:
- Список чанков с их эмбеддингами и текстом.
- Запрос пользователя: {запрос}.
Выполни два поиска:
1. Векторный поиск: найди 5 ближайших чанков по косинусному сходству (используй эмбеддинги).
2. Поиск по ключевым словам (BM25): найди 5 чанков с наибольшим совпадением по TF-IDF.
Объедини результаты: возьми топ-3 чанка из каждого списка, удали дубликаты. Отсортируй по среднему рангу (ранг_вектор + ранг_bm25)/2. Верни топ-5 уникальных чанков с их текстом.
Пример результата:
Топ-5 чанков:
1. Чанк 3 (ранг: 1.5): "Гибридный поиск сочетает преимущества лексического и семантического поиска..."
2. Чанк 7 (ранг: 2.0): "BM25 эффективен для точного совпадения терминов, но не улавливает синонимы..."
3. Чанк 1 (ранг: 2.5): "Векторный поиск находит семантически близкие чанки, даже если слова разные..."
4. Чанк 5 (ранг: 3.0): "Результаты гибридного поиска на 25% точнее, чем каждый метод по отдельности..."
5. Чанк 2 (ранг: 4.0): "Для реализации гибридного поиска используйте библиотеку LangChain..."
Почему это важно: Векторный поиск может пропустить точное совпадение по ключевым словам (например, код продукта), а BM25 — синонимы. Гибридный подход даёт лучший recall. Согласно исследованию Pinecone (2025), гибридный поиск повышает точность на 30% по сравнению с векторным поиском.
Промт 4: Переранжирование (Re-ranking) с учётом релевантности
Задача: Пересортировать найденные чанки по релевантности к запросу с помощью модели cross-encoder.
Промт:
Ты — система реранжирования. У тебя есть запрос: "Как настроить RAG-систему для юридических документов?"
И 10 чанков, найденных гибридным поиском. Для каждого чанка оцени релевантность от 0 до 1 с помощью модели cross-encoder BAAI/bge-reranker-v2-m3. Верни список чанков, отсортированных по убыванию релевантности, в формате JSON: [{"chunk_id": 3, "relevance": 0.92, "text": "..."}].
Пример результата:
[
{"chunk_id": 3, "relevance": 0.92, "text": "Для юридических документов настройте чанкинг по статьям закона..."},
{"chunk_id": 7, "relevance": 0.88, "text": "В юридическом RAG важно сохранять ссылки на нормативные акты..."},
{"chunk_id": 1, "relevance": 0.45, "text": "Общие принципы RAG включают..."}
]
Почему это важно: Re-ranking с cross-encoder даёт более точную оценку релевантности, чем косинусное сходство эмбеддингов. Модель BAAI/bge-reranker-v2-m3, выпущенная в 2025 году, показывает F1-score 0.84 на бенчмарке MS MARCO.
Категория 3: Экспертные промты (генерация)
Промт 5: Генерация ответа с цитированием источников
Задача: Сформировать ответ на основе контекста, указав точные ссылки на чанки.
Промт:
Ты — ассистент с RAG. Пользователь задал вопрос: "Как работает гибридный поиск?"
Используй следующий контекст (топ-5 чанков), чтобы ответить. В ответе обязательно цитируй номер чанка в квадратных скобках, например [1]. Если контекст не содержит информации для ответа — скажи, что не знаешь. Не добавляй информацию из своего обучения.
Контекст:
[1] Гибридный поиск сочетает BM25 и векторный поиск.
[2] BM25 ищет по точным совпадениям слов.
[3] Векторный поиск использует эмбеддинги.
Ответ:
Пример результата:
Гибридный поиск объединяет два метода: поиск по ключевым словам (BM25) и векторный поиск на основе эмбеддингов [1]. BM25 эффективен для точного совпадения терминов [2], а векторный поиск находит семантически близкие чанки [3]. Это позволяет повысить точность поиска на 30% по сравнению с каждым методом по отдельности.
Почему это важно: Цитирование источников повышает доверие к ответу и позволяет пользователю проверить информацию. Это критично для юридических и медицинских RAG-систем.
Промт 6: Контроль конфликтов в контексте
Задача: Обработать случай, когда чанки содержат противоречивую информацию.
Промт:
Ты — RAG-ассистент. В контексте есть противоречия: чанк [2] утверждает, что "векторный поиск не поддерживает синонимы", а чанк [5] — что "векторный поиск находит синонимы". Ответь пользователю, указав на противоречие и предложив критерии, по которым можно определить истину. Используй только данные из контекста.
Вопрос пользователя: "Поддерживает ли векторный поиск синонимы?"
Контекст: [2], [5]
Ответ:
Пример результата:
В предоставленных источниках есть противоречие. Чанк [2] утверждает, что "векторный поиск не поддерживает синонимы", а чанк [5] — что "векторный поиск находит синонимы через семантические эмбеддинги". Согласно чанку [5], современные модели эмбеддингов (например, text-embedding-3-small) кодируют синонимы в близкие векторы, поэтому векторный поиск их находит. Рекомендую уточнить версию модели в вашей системе.
Почему это важно: Модели склонны игнорировать противоречия. Промт заставляет их честно указывать на конфликты, что повышает достоверность.
Промт 7: Оценка уверенности ответа
Задача: Вывести уровень уверенности модели в ответе на основе контекста.
Промт:
Ты — RAG-ассистент. Ответь на вопрос пользователя, используя контекст. После ответа добавь оценку уверенности от 0 до 1, где:
- 1.0 — ответ полностью подтверждён контекстом.
- 0.5 — ответ частично подтверждён, есть неполные данные.
- 0.0 — контекст не содержит информации.
Формат ответа:
[Ответ]
Уверенность: [число]
Вопрос: "Какие модели эмбеддингов лучше для русского языка?"
Контекст: [чанки, содержащие информацию о мультиязычных моделях]
Пример результата:
Согласно контексту, для русского языка хорошо подходят мультиязычные модели, такие как intfloat/multilingual-e5-large, которые поддерживают более 100 языков, включая русский. Однако в контексте нет прямых бенчмарков для русского языка.
Уверенность: 0.7
Почему это важно: Пользователь может доверять ответу с уверенностью 0.9 больше, чем с 0.3. Это снижает риск ошибок в принятии решений.
Заключение
Промты для RAG — это не просто инструкции, а инструмент управления качеством всей системы. Базовые промты (чанкинг, эмбеддинги) закладывают фундамент, продвинутые (гибридный поиск, реранжирование) улучшают поиск, а экспертные (цитирование, контроль конфликтов, оценка уверенности) делают генерацию надёжной и прозрачной.
В 2026 году лучшие практики RAG включают использование мультиязычных моделей эмбеддингов (например, intfloat/multilingual-e5-large) и cross-encoder для реранжирования (BAAI/bge-reranker-v2-m3). ASI Biont поддерживает подключение к OpenAI API через интеграцию для создания эмбеддингов — подробнее на asibiont.com/courses. Начните с малого: внедрите хотя бы промт для гибридного поиска, и вы увидите, как точность ответов вырастет на 20–30%. Экспериментируйте, адаптируйте промты под свои данные и не бойтесь переписывать их — RAG живёт, пока вы его настраиваете.
Комментарии