from typing import List, Dict, Optional, Any def map_prompt(question: str, format_context: str) -> str: prompt = ( f"【任务说明】：针对下方单个文档片段，提炼与“问题”直接相关的‘可被引用的事实要点’\n" f"【问题】： {question}\n" f"【输入】：{format_context}\n" "【输出】：只输出 JSON，不要多余文本，格式如下：\n" "{\n" ' "id": "id",\n' ' "claims": [\n' ' {"point": "事实要点1（尽量原文转述/精准改写）"},\n' ' {"point": "事实要点2"}\n' " ],\n" ' "conflicts_or_limits": ["该片段的限制/含糊点（如时间、定义口径、版本号等）"]\n' "}" ) return prompt def reduce_prompt(question: str, mapped_results_json_list: Optional[str]) -> str: prompt = ( "【任务】：合并多份 Map 结果，完成以下三点：\n" "1) 去重并合并同义要点；\n" "2) 标注并归纳冲突点；\n" "3) 输出最终回答（含引用）。\n" f"【问题】：{question}\n" f"【Map 结果】：{mapped_results_json_list or '[]'}\n" "【输出（Markdown）】:\n" "- 简要结论（2-4句）\n" "- 关键要点（每点附主要引用，如 [Chunk-12] [Chunk-4]，用 map 结果中的 id 来表示）\n" "- 证据信息不一致（如有）：列出冲突内容、涉及的 doc_id、可能原因\n" "- 信息缺口（如有）\n" ) return prompt def verify_prompt(question: str, draft: str, formatted_contexts: str) -> str: prompt = ( "【任务】: 对“初稿答案”的关键断言逐条核验，严格限定仅使用上下文；" "请标注每条断言是否被证据‘支持/相矛盾/证据不足’，必要时修正结论。\n" f"【问题】\n{question}\n" f"【初稿答案】\n{draft}\n" f"【上下文】\n{formatted_contexts}\n" "【输出（只输出 JSON）】\n" "{\n" ' "verdicts": [\n' ' {"claim": "断言内容", "status": "supported|contradicted|insufficient", "citations": ["[Chunk-{id}]"]}\n' " ],\n" ' "final_answer": "（如需修正，请给出修正后的简明答案，并附引用）"\n' "}" ) return prompt def merge_prompt(question: str, rag_answer: str, formatted_contexts: str) -> str: """ 合并策略： 1) 先判定 RAG 初稿是否“足够/部分/不足”； 2) 若不足或部分，用通用大模型（允许常识/公开资料）补充‘外部要点’，并标注为 [EXT]； 3) 产出融合后的最终答案，优先采用带 [C{id}] 的已证据支撑结论； 4) 输出审计区：区分 RAG 引用与外部补充，列出信息缺口。 """ prompt = ( "【任务】：先判断 RAG 初稿是否足以回答问题；若不足或仅部分覆盖，则在“允许使用常识/公开资料”的前提下补充，并与上下文证据进行“无缝融合”，产出一份单一成稿（禁止把上下文与外部补充分栏或分章节呈现）。\n" "【必须遵守】\n" "- 严禁以“基于上下文/外部补充/对标/工具列表”等标题分隔来源内容；最终仅保留一份融合后的成稿。\n" "- 句内引用：凡是有依据的关键信息，紧随其后附上来源标记；上下文证据用 [Chunk-{id}]，外部补充用 [EXT]，可选在括号中加来源类型（如[EXT-百科]、[EXT-官网]）。\n" "- 证据优先级：优先采用【上下文】已被证实的结论；若与外部资料冲突，优先保留【上下文】并在句末以 [EXT-Conflict] 标注冲突存在。\n" "- 去重与融合：对上下文与外部的相似要点进行合并表述，避免重复罗列；统一术语与口径。\n" "- 若信息仍不足，明确列出“信息缺口”。\n" "- 最终答案必须是可直接给用户的完整回应（可含小标题/列表），但不得按照来源划分结构。\n\n" f"【问题】\n{question}\n\n" f"【RAG 初稿】\n{rag_answer}\n\n" f"【上下文】\n{formatted_contexts}\n\n" # "【写作要求】\n" # "- 开头 1–2 句给出结论或核心抓手；随后组织为自然段或要点清单（3–8 条）。\n" # "- 每条关键结论或数据点后紧跟其来源标记；能不标就不写空标注。\n" # "- 语气务实、可执行，避免流水账与堆砌名词。\n" # "- 禁止出现“基于上下文…/外部补充…”等来源分栏表述。\n\n" "【输出（只输出 JSON）】\n" "{\n" ' "status": "判断最终结果是否能回答用户问题，若能回答输出 1，若不能则输出 0",\n' ' "reason": "判断的理由（例如：核心问题是否被覆盖、关键数据/定义是否缺失）",\n' ' "final_answer_markdown": "融合后的最终答案，不要输出信息缺口（每一条信息需标注 [Chunk-{id}] 与 [EXT]）",\n' ' "audit": {\n' ' "rag_citations": ["[Chunk-12]", "[Chunk-4]"],\n' ' "external_claims": [\n' ' {"claim":"外部补充要点1","note":"来源类型/可信度（如：官网/百科/标准） [EXT]"},\n' ' {"claim":"外部补充要点2","note":"… [EXT]"}\n' " ],\n" ' "gaps": ["仍然缺失或无法确认的信息"]\n' " }\n" "}\n" "【合规自检（执行后自检，不输出给用户）】：若发现答案结构仍以来源分栏或出现“外部补充/基于上下文”等分栏标题，则立即重写为单一成稿。" ) return prompt def build_rag_prompt( question: str, contexts: List[Dict], mode: str = "single", # single | map | reduce | rerank | verify | merge max_chars_per_chunk: int = 800, draft_answer: Optional[str] = None, # verify/merge 用：RAG 初稿或草稿 mapped_results: Optional[str] = None, # reduce 用 ) -> Dict[str, Any]: """ 生成 RAG 聚合阶段所需的提示词（Prompt）。 返回值依据 mode 不同而不同： - single: {"system": str, "user": str} - map: {"system": str, "user_list": List[str]} # 每个片段一条 Map 提示 - reduce: {"system": str, "user": str} - rerank: {"system": str, "user": str} - verify: {"system": str, "user": str} - merge: {"system": str, "user": str} """ # —— 辅助函数 —— def _trim(text: str, limit: int) -> str: text = (text or "").strip().replace("\n", " ") return text if len(text) <= limit else text[: max(0, limit - 1)] + "…" def _format_each_chunk(chunk: Dict) -> str: # 兼容不同返回字段：content / text content = chunk.get("content") or chunk.get("text") or "" bits = [f"Chunk id={chunk.get('id', '')}"] if "score" in chunk and chunk["score"] is not None: try: bits.append(f"score={round(float(chunk['score']), 4)}") except Exception: pass if chunk.get("url"): bits.append(f"url={chunk['url']}") prefix = "[" + " ".join(bits) + "]" snippet = _trim(content, max_chars_per_chunk) return f"{prefix}\n{snippet}\n" def _format_contexts(chunks: List[Dict]) -> str: return "\n".join(_format_each_chunk(c) for c in chunks).strip() # —— 统一 System 约束（全中文） —— system_text = ( "你是一位“基于证据的助手”。你必须只使用我提供的【上下文】来回答：\n" "- 不得使用外部常识或臆测；\n" "- 若上下文不足，请明确输出“信息不足”，并指出缺失的信息类型；\n" "- 对关键结论附 [Chunk-{id}] 形式的出处；\n" "- 如存在冲突证据，请列出冲突并给出谨慎结论与采信依据；\n" "- 用中文回答，保持简洁、结构化。" ) formatted_contexts = _format_contexts(contexts) # —— 各模式分发 —— if mode == "single": user_text = ( f"【问题】\n{question}\n\n" f"【上下文（已按相关性排序）】\n{formatted_contexts}\n\n" "【请按以下结构作答】\n" "1) 简要结论（2-4句）\n" "2) 关键要点（每点附1-2个引用，如 [C3]）\n" "3) 证据信息不一致（如有）\n" "4) 信息缺口（如有）" ) return {"system": system_text, "user": user_text} if mode == "map": map_user_list = [] for ctx in contexts: format_context = _format_each_chunk(ctx) map_user_list.append(map_prompt(question, format_context)) return {"system": system_text, "user_list": map_user_list} if mode == "reduce": return {"system": system_text, "user": reduce_prompt(question, mapped_results)} if mode == "rerank": rerank_system = "你是一位严谨的重排器。请只输出 JSON。" rerank_user = ( f"请比较下列候选段与问题“{question}”的相关性，仅打分并排序（不做总结）。\n" "评分标准（由高到低）：直接回答性 > 主题一致性 > 细节重合度 > 时间匹配。\n\n" f"【候选段】\n{formatted_contexts}\n\n" "【只输出 JSON，格式如下（按 score 从高到低）】\n" '[{"id":"DOC_ID","score":X.X}]' ) return {"system": rerank_system, "user": rerank_user} if mode == "verify": draft = draft_answer or "（此处为初稿答案）" return { "system": system_text, "user": verify_prompt(question, draft, formatted_contexts), } if mode == "merge": if not draft_answer: raise ValueError("merge 模式需要提供 draft_answer（即 RAG 初稿答案）。") return { "system": system_text, "user": merge_prompt(question, draft_answer, formatted_contexts), } raise ValueError(f"不支持的模式：{mode}") __all__ = ["build_rag_prompt"]