中文 RAG 知识库提示词生成器

AI CHINESE PROMPT

简繁 EN

By AI Tools Desk

关于这个工具

构建有据可依、引用出处的 RAG 知识库提示词

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。

RT-AI-079 · AI Tools

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。

你的 RAG 提示词

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。

检索的上限，就是回答的上限

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.

View all news →

中文 RAG 知识库提示词生成器