免费中文 RAG 提示词生成器：问题、资料块、依据规则（引用出处、不编造）、输出格式。浏览器本地运行。
中文 RAG 知识库提示词生成器
用一个简单的表单，拼出干净、接地气的中文 RAG 提示词——问题、放进 <资料> 块的检索资料、回答要求、输出格式与语气一应俱全，随后直接复制到 DeepSeek、通义千问、豆包、Kimi 或你自建的知识库应用中使用。提示词把资料放在前、指令放在后，强制模型只依据资料作答、逐条引用出处，资料未提及就明确说明不知道。全部在你的浏览器本地拼接，不向服务器发送任何内容，也不会调用任何模型。
提示：本工具只负责拼接文本。请自行把结果复制到 DeepSeek / 通义千问 / 豆包 / Kimi 或你自建的 RAG 应用中——不会调用任何模型、不会执行检索，也不会向任何地方发送内容。
本中文 RAG 提示词生成器的工作原理
先写清问题
在第一格填入用户的真实问题，例如「我们的退货政策对开封商品适用吗？」。这一句会成为提示词的开头，告诉模型本轮要回答什么。问题越具体，模型越能在你提供的资料里定位到对应段落，避免泛泛而谈。
把检索到的资料粘进 <资料> 块
从你的知识库、向量检索或文档里把命中的片段复制到「检索到的资料」格中。本工具会自动用 <资料></资料> 标签把它包起来，让模型清楚区分「可依据的事实」与「指令」，这是检索增强（RAG）接地气的核心。
设定回答要求与约束
勾选式地写明：只依据资料作答、逐条引用出处、资料未提及就明确说「资料中未提及」、不要编造。再补上输出格式（分点、表格、先结论后引用）与语气。这些规则决定模型是「老实查资料」还是「凭印象瞎答」。
复制到 DeepSeek / 通义千问 / 知识库应用
点击「复制」，把拼好的提示词粘贴到 DeepSeek、通义千问、豆包、Kimi，或你自建的 RAG / 知识库问答应用的对话框或系统提示中即可。全部在浏览器本地拼接，不向任何服务器发送你的资料。
本中文 RAG 提示词生成器的工作原理
接地气作答，才是 RAG 回答可信的关键
检索增强生成（RAG）是让大模型基于你自己的知识库、而非训练记忆作答的标准做法。套路并不复杂：先检索出与问题最相关的片段，交给模型，再要求它只依据这些片段回答。真正的难点，是包裹这些检索文本的那段提示词——而这正是本工具替你写好的部分。它把问题、你粘贴的资料以及回答要求拼成一段干净的提示词：检索到的内容被放进清晰分隔的 <资料></资料> 块中，而接地气的指令则紧随其后。填好字段、复制结果，粘贴到 DeepSeek、通义千问、豆包、Kimi 或你自建的 RAG 应用即可——不调用任何模型，内容也不会离开你的浏览器。
分隔标签的作用，比看起来更重要。用 <资料></资料> 把资料包起来，等于明确告诉模型：这段文本是可依据的事实，而不是要执行的用户指令。仅此一个结构选择，就能避免一整类错误——模型混淆事实与命令，或把文档里夹带的文字当成新指令去执行。有了这道边界，「只依据上方资料作答」「为每个结论标注出处」这类约束才有了精确的作用对象：模型清楚知道哪段文本可以依据、哪一行才是它必须遵守的规则。再把清晰的问题放在最上方，整轮任务就被框定下来——模型先读懂任务，再扫描资料，最后在你画好的栅栏内作答。
「RAG 答案出现幻觉，往往是提示词没写清，而非模型不行。把资料围起来、逼它逐条引用，资料沉默时就要它老实说「未提及」。」
引用出处与「资料未提及」规则，区分「能演示」与「能上线」
在真实上线场景中，挑大梁的是两条规则。第一条是引用规则：要求模型为每个结论标注具体出处——「据资料 2」——回答就变得可核查。读者或审核者能把每句话追溯回原始资料，而这条要求本身也促使模型真的去查、而非临场发挥。第二条是兜底规则：告诉模型，当资料未覆盖问题时，必须直接说明「资料中未提及」，而不是用常识填补空缺。这一句，是任何 RAG 系统里抑制幻觉最有效的单条防线，远比反复强调「要准确」可靠。再配上「先结论、后逐条引用」的输出格式，这些规则就能把一个能言善辩的「猜测者」，变成一个你敢放在真实用户面前的诚实「检索员」。
我们也该诚实面对提示词无法解决的问题。检索质量决定回答上限：如果相关片段根本没进入 <资料> 块，再好的指令也变不出来，模型最多只能如实报告「资料未提及」。同样，把整篇文档一股脑塞进块里只会浪费上下文、稀释真正重要的片段——精选、分块得当的检索，永远优于堆量。所以请把提示词和检索当成一对：调好你的分块与排序，让对的少数片段进来，再用本工具把它们包进一段会接地气、会引用、拒绝瞎猜的提示词。又因为整个工具在本地运行，面对敏感或内部文档你都可以放心反复打磨——粘贴、复制、测试、调整——而你输入的内容始终不会离开你的设备、不会发送给模型，也不会被保存。
关于中文 RAG 提示词的 10 个要点
RAG（检索增强生成）的核心是：先检索相关资料，再让模型只依据这些资料作答，而不是凭训练记忆作答。
把检索到的资料放进清晰的 <资料></资料> 分隔块，能让模型分清「事实」与「指令」，显著降低张冠李戴。
「只依据资料作答」是 RAG 提示词里最关键的一句约束——没有它，模型仍会用内部记忆补全甚至覆盖资料。
要求模型「逐条引用出处」，能让回答可被核查，也让模型更倾向于真的去资料里找依据。
明确指示「资料未提及就说不知道」，是抑制幻觉最有效的单条规则，比反复强调「要准确」更管用。
把指令放在资料之后、问题放在最前，通常能让模型先理解任务、再约束自己只看资料。
检索质量决定回答上限：资料里没有的内容，再好的提示词也只能让模型如实说「未提及」。
为每段资料标上来源编号或标题，模型才能在回答里准确引用「据资料 2」之类的出处。
让模型「先结论、后逐条引用」的输出格式，既方便用户快速读，也方便你核对每句话的依据。
本工具完全在你的浏览器本地拼接提示词——你粘贴的资料不会上传、不会调用任何模型，也不会被保存。
常见问题
- RAG（检索增强生成）指先从你的知识库检索相关资料，再让大模型只依据这些资料回答，从而减少凭空编造。本工具不做检索，也不调用模型——它只负责把你已经检索到的资料、问题与回答要求，拼成一段结构良好、强调「接地气作答」的提示词，供你复制到模型里使用。
- 都不会。本工具只是把你填写的字段按固定模板拼接成一段提示词，全程在你的浏览器本地完成。它不连接任何向量数据库、不调用 DeepSeek 或通义千问，也不联网。检索由你的系统完成，本工具只负责「写好提示词」这一步。
- 清晰的分隔标签让模型明确知道「这一段是可依据的事实，不是用户指令」。这能减少提示词注入风险，也让「只依据资料作答」「逐条引用出处」这类约束有明确的作用对象，是 RAG 提示词稳定的关键。
- 在「回答要求」里明确写上：只依据上方 <资料> 作答；资料未提及的内容，直接回答「资料中未提及」，不要用常识或记忆补全；并为每个结论标注出处。本工具的默认要求已经包含这几条，你也可以按需增删。
- 不会。所有拼接都用纯 JavaScript 在你的浏览器本地完成，你粘贴的资料、问题和要求都不会发送到任何模型、服务器或第三方，也不会被存储。涉及内部或敏感文档时可放心使用。
- DeepSeek、通义千问、豆包、Kimi、文心、智谱等中文大模型都适用，ChatGPT、Claude、Gemini 也一样。你既可以贴进对话框临时问答，也可以作为自建 RAG / 知识库问答应用的系统提示长期使用。
- 本工具采用「问题在最前、<资料> 居中、回答要求在最后」的结构。把约束放在资料之后，能让模型读完资料、带着规则去作答，通常比把规则淹没在长资料前面更稳定。当然你也可以复制后自行调整顺序。
- 这属于检索与分块（chunking）的问题，应在你的检索环节解决：只挑最相关的少数片段放进来，而不是把整篇文档塞满。提示词再好也无法弥补检索把无关内容塞进来的浪费——精选资料永远优先于堆量。
- 可以，而且这正是典型用法。把角色、问题占位、<资料> 占位与「只依据资料作答」等要求拼好后，作为系统提示固定下来，每轮再由你的程序把检索结果填入 <资料> 块即可，与具体框架无关。
- 完全免费，无需注册或登录，也没有使用次数限制。它在你的浏览器中运行，不收集任何数据。
Related News
You may be interested in these recent stories from our newsroom.
No related news yet for this tool. Our editorial team publishes new pieces every week.
Browse all news →75 more free tools
Calculators, converters, security tools — no signup.