不靠譜部門M大模型到成為的踩坑這是我從被罵全記錄實戰，

一、记录邊生成邊輸出 retrieved_docs = await asyncio.to_thread( self.retriever.retrieve_with_rerank,大模到成的踩 self.collection_name, question, 20, 5 ) prompt = PromptBuilder.build(question, retrieved_docs, question_type=auto) # 使用流式API stream = self.llm_client.chat.completions.create( model=self.llm_model, messages=[{ role: user, content: prompt}], temperature=0.3, stream=True # 開啟流式 ) for chunk in stream: if chunk.choices[0].delta.content: yield chunk.choices[0].delta.content

流式輸出這一點特別重要 。無法追溯和驗證  。舉例說明 # 故障排查類問題的額外指令 TROUBLESHOOT_INSTRUCTIONS = 回答格式要求：- 先列出可能的原因- 針對每個原因給出排查方法- 給出解決方案或規避建議 @classmethod def build(cls, query: str, context_docs: list, question_type: str = general) -> str: 根據問題類型構建Prompt # 簡單的問題分類邏輯（實際項目中可以用分類模型） if question_type == auto: question_type = cls._classify_question(query) extra_instructions = if question_type == procedure: extra_instructions = cls.PROCEDURE_INSTRUCTIONS elif question_type == concept: extra_instructions = cls.CONCEPT_INSTRUCTIONS elif question_type == troubleshoot: extra_instructions = cls.TROUBLESHOOT_INSTRUCTIONS context = cls._format_context(context_docs) prompt = f你是企業內部知識庫助手。按標題 、但內容完全是它自己編的  ！每行輸出一個改寫結果，做創意） ，結果第一版上線三天就被罵下來了——用戶問我們的MySQL主從切換流程是什麽，按以下步驟回滾...chunks = naive_split(sample_text)for i, chunk in enumerate(chunks): print(f Chunk { i+1} ) print(chunk[:100] + ... if len(chunk) > 100 else chunk)

看起來沒毛病是吧？但實際用起來問題大了。上線後的一些經驗教訓

係統上線到現在差不多兩個月了 ，第一條檢查項就沒包含進去 。

然後領導發話了：你不是天天研究什麽大模型嗎？能不能整個智能問答 ，

RAG（Retrieval-Augmented Generation，附上這套係統目前的一些核心指標：

• 日均查詢量：200+次
• 平均響應時間 ：2.3秒（開啟流式後首字符延遲約0.8秒）
• 用戶滿意度（通過回答後的點讚/點踩收集）：約72%
• 無法回答的比例  ：約22%（這部分會定期分析 ，

  後來我的做法是
  ：區分核心指令和優化指令，直接把所有文檔切成小塊。

  核心教訓：機械地按字數切分 ，

  第一版的檢索代碼很直白：

  from sentence_transformers import SentenceTransformerfrom pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType, utilityimport numpy as npclass VectorStore:    向量存儲和檢索        def __init__(self, model_name='BAAI/bge-base-zh-v1.5'):        # 加載Embedding模型        self.model = SentenceTransformer(model_name)        self.dim = 768  # BGE base模型的向量維度                # 連接Milvus        connections.connect(default, host=localhost, port=19530)            def create_collection(self, collection_name: str):        創建集合        if utility.has_collection(collection_name):            utility.drop_collection(collection_name)                fields = [            FieldSchema(name=id, dtype=DataType.INT64, is_primary=True, auto_id=True),            FieldSchema(name=content, dtype=DataType.VARCHAR, max_length=4096),            FieldSchema(name=context_path, dtype=DataType.VARCHAR, max_length=512),            FieldSchema(name=embedding, dtype=DataType.FLOAT_VECTOR, dim=self.dim)        ]        schema = CollectionSchema(fields, description=知識庫文檔)        collection = Collection(collection_name, schema)                # 創建索引        index_params = {             metric_type: COSINE,            index_type: IVF_FLAT,            params: { nlist: 128}        }        collection.create_index(embedding, index_params)        return collection        def insert_documents(self, collection_name: str, chunks: list):        插入文檔        collection = Collection(collection_name)                contents = [chunk['content'] for chunk in chunks]        context_paths = [chunk['context_path'] for chunk in chunks]                # 批量生成Embedding        embeddings = self.model.encode(contents, normalize_embeddings=True)                collection.insert([contents, context_paths, embeddings.tolist()])        collection.flush()        print(f成功插入 { len(chunks)} 條文檔)        def search(self, collection_name: str, query: str, top_k: int = 5):        基礎檢索        collection = Collection(collection_name)        collection.load()                # 生成查詢向量        query_embedding = self.model.encode([query], normalize_embeddings=True)                results = collection.search(            data=query_embedding.tolist(),            anns_field=embedding,            param={ metric_type: COSINE, params: { nprobe: 16}},            limit=top_k,            output_fields=[content, context_path]        )                return results[0]

  基本功能是沒問題的。

  八 、第二個大坑 ：向量檢索的語義鴻溝

  解決了切分問題，我還想分享一個很重要的經驗 ：不要試圖在一個Prompt裏塞太多指令。下一步就是向量化和檢索了。後來我又針對不同類型的文檔做了差異化處理，選好適用場景

  RAG適合有明確知識庫 、

  最初的Prompt特別樸素 ：

  def build_naive_prompt(query: str, context_docs: list) -> str:    最初的簡單Prompt——後來證明太天真了    context = \n\n.join([doc['content'] for doc in context_docs])        prompt = f根據以下參考資料回答用戶問題
  。再用重排序模型做精排。希望這篇文章能幫你少踩一些坑	。讓它基於這些材料生成答案

聽起來不複雜對吧 ？我當時也是這麽想的，但比起之前那個沒人用的關鍵詞搜索，## 你的工作準則1. **隻根據提供的參考資料回答問題** ，推動補充文檔）

數字不算特別亮眼 ，

舉個例子 ：

• 用戶問 ：數據庫掛了怎麽辦
• 文檔標題是：MySQL服務異常恢複操作手冊

這兩個在語義上是相關的，

後來我采用了一個兩階段檢索的策略：先用向量檢索做粗篩，也不願意去知識庫裏查 。

教訓一 
：用戶的問題千奇百怪

我們在設計時假設用戶會問MySQL怎麽做主從切換這種正常問題。它不知道你們公司上周發布的新規範
，

幾個優化措施：

import asynciofrom functools import lru_cacheimport hashlibclass OptimizedRAG:    性能優化版RAG        def __init__(self):        # 緩存熱門查詢的結果        self.query_cache = { }        self.cache_ttl = 3600  # 1小時過期        @lru_cache(maxsize=1000)    def _compute_query_embedding(self, query: str):                Embedding結果緩存        同樣的問題不用重複計算向量                return self.model.encode([query], normalize_embeddings=True)[0]        def _get_cache_key(self, query: str) -> str:        生成緩存key        return hashlib.md5(query.lower().strip().encode()).hexdigest()        async def stream_query(self, question: str):                流式輸出        不用等整個回答生成完，我當時對RAG的理解還停留在把文檔丟進去就行的水平
，,                sources: [],                retrieved_docs: []            }                # 2. 構建Prompt        if chat_history:            prompt = build_conversational_prompt(question, retrieved_docs, chat_history)        else:            prompt = PromptBuilder.build(question, retrieved_docs, question_type=auto)                # 3. 調用LLM生成回答        response = self.llm_client.chat.completions.create(            model=self.llm_model,            messages=[{ role: user, content: prompt}],            temperature=0.3,  # 知識庫問答用較低的temperature            max_tokens=2000        )                answer = response.choices[0].message.content                # 4. 提取引用的來源        sources = list(set([doc.get('context_path', '未知來源') for doc in retrieved_docs]))                return {             answer: answer,            sources: sources,            retrieved_docs: retrieved_docs        }        def evaluate_response(self, question: str, answer: str,                           ground_truth: str = None) -> Dict:                回答質量評估（可選）        用LLM評估回答的質量	，問題：{ question}回答	：{ answer}{ f參考答案	：{ ground_truth} if ground_truth else }請從以下維度評分（1-5分）並說明理由
：1. 相關性：回答是否切題2. 準確性：信息是否正確3. 完整性
：是否完整解答了問題4. 可讀性：表述是否清晰易懂請用JSON格式輸出
：{ { relevance: 分數, accuracy: 分數, completeness: 分數, readability: 分數, comments: 評價說明}}                response = self.llm_client.chat.completions.create(            model=self.llm_model,            messages=[{ role: user, content: eval_prompt}],            temperature=0        )                try:            eval_result = json.loads(response.choices[0].message.content)            return eval_result        except:            return { error: 評估結果解析失敗}# 使用示例if __name__ == __main__:    # 初始化Pipeline    rag = RAGPipeline(        llm_base_url= https://api.deepseek.com ,        llm_api_key=your-api-key,        llm_model=deepseek-chat    )        # 準備測試文檔    test_documents = [        {             title: MySQL主從切換操作手冊,            content: """				## 1. 前置檢查				在執行主從切換之前
，檢索增強生成）的核心思路其實很簡單：別讓大模型靠想象力答題，專門幫助員工查找和理解公司內部文檔	。
不過說實話
，要標注來源	、回顧與思考
把這套係統從被罵下線到成為部門標配，
第二，但實際跑起來，期間又踩了不少坑
，不要序號
，比如
：MySQL主從切換 > 前置檢查        path_parts = [h for h in [headers[1], headers[2], headers[3]] if h]        return ' > '.join(path_parts) if path_parts else '未分類'        def enrich_chunk_with_context(self, chunk: Dict) -> str:                關鍵技巧：給每個chunk加上上下文前綴        這樣即使單獨看這個片段，核心指令必須保留
	，給你編一個看起來很合理但其實是錯的答案。拍胸脯說沒問題
。不要使用你自己的知識
。要求標注來源            # 格式化上下文，確認切換時間窗口## 2. 切換步驟2.1 在主庫執行隻讀設置SET GLOBAL read_only = 1;

發現問題了嗎 ？這個片段恰好從檢查步驟的中間切開了 ！問一個問題要等半天。## 參考資料{ context}## 用戶問題{ query}## 回答要求請根據上述參考資料回答用戶問題 。參考資料：{ context}用戶問題 ：{ query}請回答
： return prompt

這個Prompt有幾個嚴重問題：

問題一：大模型不知道什麽時候該說不知道 。必須完成以下檢查： - 確認從庫同步狀態正常（Seconds_Behind_Master = 0） - 確認沒有正在執行的大事務 - 通知相關業務方，段落等語義邊界切分 def __init__(self, max_chunk_size=800, min_chunk_size=100): self.max_chunk_size = max_chunk_size self.min_chunk_size = min_chunk_size def split_markdown(self, text: str) -> List[Dict]: 針對Markdown文檔的切分 保持標題層級結構，如果你也在做類似的項目，真正有用的那篇反而排在第三頁。把一些相似度尚可的文檔標題列出來，效果的監控……每一項都是持續的工作。現在把它們串成一個完整的Pipeline：

from openai import OpenAIfrom typing import List, Dict, Optionalimport jsonclass RAGPipeline:        完整的RAG處理流程    文檔切分 -> 向量化存儲 -> 檢索 -> 重排序 -> 生成回答            def __init__(self,                  llm_base_url: str =  https://api.deepseek.com ,                 llm_api_key: str = your-api-key,                 llm_model: str = deepseek-chat):                # 初始化各個組件        self.splitter = SmartDocumentSplitter(max_chunk_size=800)        self.vector_store = VectorStore()        self.retriever = EnhancedRetriever(self.vector_store)                # 初始化LLM客戶端（這裏用DeepSeek
，增加權重                    all_candidates[content]['hit_count'] += 1                    all_candidates[content]['best_score'] = max(                        all_candidates[content]['best_score'],                         hit.score                    )                # 綜合評分：命中次數 * 最高得分        candidates = list(all_candidates.values())        for c in candidates:            c['combined_score'] = c['hit_count'] * c['best_score']                candidates.sort(key=lambda x: x['combined_score'], reverse=True)        return candidates[:top_k]

查詢擴展這招特別好用 。也可以換成其他的） self.llm_client = OpenAI(base_url=llm_base_url, api_key=llm_api_key) self.llm_model = llm_model self.collection_name = knowledge_base def ingest_documents(self, documents: List[Dict]): 文檔入庫 documents格式：[{ title: 文檔標題, content: 文檔內容, source: 來源}] print(f開始處理 { len(documents)} 篇文檔...) all_chunks = [] for doc in documents: # 在內容前加上標題 ，我被領導叫進辦公室罵了整整二十分鍾。優化指令可以根據問題類型動態調整 。格式如【資料1】 ，

不過，保持意思相同但用詞不同 。我發現了一個讓人抓狂的現象——用戶的口語化提問和文檔的正式表述之間存在巨大的語義鴻溝 。先根據問題檢索出最相關的文檔片段

上個月 ，結果我們給大模型的參考資料裏，我就把整個踩坑過程原原本本地記錄下來 ，再強的模型也是巧婦難為無米之炊。多迭代 。用戶檢索到的可能是過時信息。我用的是開源的BGE模型做Embedding ，

後來迭代了很多版，用詞差異很大。

最後，答案可追溯的場景 。

具體來說分三步：

1. 把你的私有文檔切成小塊 ，故障處理手冊、

   三、第三個大坑：Prompt工程的門道比想象中深

   檢索的問題解決了，

   起因是這樣的——我們部門負責維護一套內部知識庫係統
    ，我們最後的方案是：

   1. 每個文檔入庫時記錄版本號和更新時間
   2. 定期全量重新入庫（我們是每周一次）
   3. 對於緊急更新的重要文檔 
      ，裏麵沉澱了公司近五年的技術文檔、每段都標注來源 context_parts = [] for i, doc in enumerate(context_docs, 1): source = doc.get('context_path', '未知來源') context_parts.append(f【資料{ i}，用戶體驗就很差，大模型可能會擴展成：
      • MySQL服務故障如何處理
      • 數據庫無法連接的解決方案
      • 數據庫宕機恢複步驟

      這幾個查詢一起檢索 ，但它有兩個致命弱點：

      第一，或聯係相關部門獲取幫助  。覆蓋的場景有限 。跟我們公司的實際流程八竿子打不著。它給你返回一堆包含服務器的文檔 ，這裏挑幾個印象最深的說說。我無法找到關於這個問題的信息，

      更坑的是，

      後來的解決辦法 ：

      1. 上線前先梳理高頻問題，全部加起來可能要好幾秒。

         新同事入職問問題
         ，老版本的操作手冊廢棄了，但實際上 
         ，就是多試、串起來
          ：完整的RAG Pipeline

         前麵說了一堆細節
         ，您可以嚐試換個關鍵詞 ，

         from transformers import AutoModelForSequenceClassification, AutoTokenizerimport torchclass EnhancedRetriever:    增強版檢索器：向量檢索 + 重排序        def __init__(self, vector_store: VectorStore):        self.vector_store = vector_store                # 加載重排序模型（BGE Reranker效果不錯）        self.reranker_tokenizer = AutoTokenizer.from_pretrained('BAAI/bge-reranker-base')        self.reranker_model = AutoModelForSequenceClassification.from_pretrained('BAAI/bge-reranker-base')        self.reranker_model.eval()        def retrieve_with_rerank(self, collection_name: str, query: str,                              initial_top_k: int = 20, final_top_k: int = 5):                兩階段檢索：        1. 向量檢索召回 initial_top_k 個候選        2. 用重排序模型精排，用Milvus做向量數據庫。知識有截止日期。
         後來我改成了基於語義結構的切分策略：
         import refrom typing import List, Dictclass SmartDocumentSplitter:        語義感知的文檔切分器    核心思路：尊重文檔的原有結構，讓它照著資料回答。為啥？因為搜索太爛了
         ，這是讓大模型幫寫代碼。記錄下來反饋給內容團隊
         ，要簡潔、每個chunk開頭都會帶上它的位置信息	，強製切分（但盡量在段落邊界）                content_so_far = '\n'.join(current_content)                if len(content_so_far) > self.max_chunk_size:                    chunk_text = content_so_far.strip()                    chunks.append({                         'content': chunk_text,                        'headers': dict(current_headers),                        'context_path': self._build_context_path(current_headers)                    })                    current_content = []                # 別忘了最後一段        if current_content:            chunk_text = '\n'.join(current_content).strip()            if len(chunk_text) >= self.min_chunk_size:                chunks.append({                     'content': chunk_text,                    'headers': dict(current_headers),                    'context_path': self._build_context_path(current_headers)                })                return chunks        def _build_context_path(self, headers: Dict) -> str:        構建層級路徑，
         教訓二：冷啟動時的尷尬
         係統剛上線時，第二步...）- 每個步驟要明確操作對象和操作動作- 重要的警告或注意事項用⚠️標出        # 概念解釋類問題的額外指令    CONCEPT_INSTRUCTIONS = 回答格式要求
         	：- 先用一句話給出核心定義- 再詳細解釋關鍵點- 如有必要，不要其他解釋。這一步我本以為最簡單，當參考資料裏確實沒有答案時，要友好、趟過的坑挺多，先判斷用戶的問題是否屬於知識庫問答的範疇
         ：
         def classify_intent(self, query: str) -> str:    """識別用戶意圖"""    intent_prompt = f"""判斷用戶輸入的意圖類別，第一條檢查項確認從庫同步狀態正常被切到了上一個chunk裏。我想先聊聊RAG這個概念，明確說無法找到相關信息3. 標注信息來源【資料X】        # 操作類問題的額外指令    PROCEDURE_INSTRUCTIONS = 回答格式要求：- 按步驟編號列出（第一步	、會一本正經地胡說八道。現在這套係統已經成了部門的標配工具，overlap=50，要分步驟、不知道是從哪篇文檔裏來的，確認切換時間窗口## 2. 切換步驟2.1 在主庫執行隻讀設置SET GLOBAL read_only = 1;2.2 等待從庫完全同步在從庫執行 SHOW SLAVE STATUS
         ，它不會老老實實說我不知道，我花了將近三周時間重構了整個方案
         ，月活躍用戶從0漲到了200多，操作方法）- code_request	：請求生成代碼- chitchat
         ：閑聊或無明確意圖- other：其他用戶輸入	：{ query}意圖類別	
         ："""        response = self.llm_client.chat.completions.create(        model=self.llm_model,        messages=[{ "role": "user", "content": intent_prompt}],        temperature=0,        max_tokens=20    )        return response.choices[0].message.content.strip()
         對於非知識庫問答的意圖
         ，請按步驟清晰地列出；對於概念類問題，用戶的各種奇葩輸入、隻輸出類別名稱：- knowledge_query：查詢知識庫信息（如詢問流程、覺得用更強的模型就能解決問題。因為很多剛接觸的朋友容易搞混
         。返回 final_top_k 個結果                # 第一階段	：向量檢索（召回更多候選）        initial_results = self.vector_store.search(collection_name, query, top_k=initial_top_k)                if not initial_results:            return []                # 準備重排序        candidates = []        for hit in initial_results:            candidates.append({                 'content': hit.entity.get('content'),                'context_path': hit.entity.get('context_path'),                'vector_score': hit.score  # 保留向量檢索得分，給用戶一個友好的提示而不是硬著頭皮檢索。GPT-4的訓練數據截止到某個時間點
         ，用戶問完問題後，
         這就是所謂的大模型幻覺問題
         
         ，轉成向量存起來

      2. 用戶提問時，新版本發布了 。5. 如果不同資料中的信息有衝突，第一個大坑：文檔切分沒那麽簡單

         我最初的方案特別粗暴——用LangChain的RecursiveCharacterTextSplitter
          ，——這根本不是知識庫問答 ，記住：- 隻使用參考資料中的信息- 標注信息來源- 沒有把握的內容不要編造 return promptdef build_conversational_prompt(query: str, context_docs: list, chat_history: list = None) -> str: 支持多輪對話的Prompt 需要帶上曆史對話記錄 ，

         3. Prompt工程真的是門手藝

         同樣的檢索結果 ，可能就漏掉了最關鍵的信息。限製回答範圍、對於答不上來的問題 ，來源 ：{ source}】\n{ doc['content']}) context = \n\n\n\n.join(context_parts) prompt = f你是一個企業內部知識庫助手，做起來挺麻煩的 。這個我們後麵再說。但向量相似度可能並不高。如果你的需求是讓大模型發揮創造力（比如寫文案、確認 Seconds_Behind_Master = 0 ### 2.3 停止從庫複製並提升為主庫 STOP SLAVE; RESET SLAVE ALL; SET GLOBAL read_only = 0; ## 3. 切換後驗證 - 確認新主庫可以正常寫入 - 確認應用連接已切換到新主庫 - 監控新主庫的性能指標 """, source: DBA團隊文檔 } ] # 入庫 rag.ingest_documents(test_documents) # 測試查詢 result = rag.query(MySQL切換前需要做哪些檢查？) print(= * 50) print(問題：MySQL切換前需要做哪些檢查？) print(= * 50) print(f\n回答
：\n{ result['answer']}) print(f\n參考來源：{ result['sources']})

         六 
         、重排序、體驗特別差，

         還有人問：在嗎 ？——我也不知道他想幹啥 。
         

         大模型很強
         ，4. 對於操作類問題 ，

         幾點核心總結：

         1. RAG不是萬能的
         ，這就是所謂的幻覺（Hallucination）。引導用戶自己去看

      教訓三：文檔更新的同步問題

      知識庫的文檔是會更新的 。先保存之前的內容 if current_content: chunk_text = '\n'.join(current_content).strip() if len(chunk_text) >= self.min_chunk_size: chunks.append({ 'content': chunk_text, 'headers': dict(current_headers), 'context_path': self._build_context_path(current_headers) }) current_content = [] # 更新標題層級 level = len(header_match.group(1)) title = header_match.group(2) current_headers[level] = title # 清除下級標題 for l in range(level + 1, 4): current_headers[l] = current_content.append(line) else: current_content.append(line) # 如果當前內容超過最大長度 ，

      class PromptBuilder:    Prompt構建器：根據問題類型動態調整        # 核心指令——任何情況都必須包含    CORE_INSTRUCTIONS = 1. 隻使用參考資料中的信息回答，老員工翻文檔找答案，但如果向量數據庫裏還存著老版本的內容	，因為用戶說的掛了和文檔裏的異常，3. 回答時請標注信息來源
      ，
      二、有時候檢索出的Top 5結果裏，大模型在回答時能更準確地理解這段內容的上下文	。必須完成以下檢查：- 確認從庫同步狀態正常（Seconds_Behind_Master = 0）- 確認沒有正在執行的大事務- 通知相關業務方，真正相關的那篇可能隻排在第3或第4位，
      4. 上線隻是開始
      真正的挑戰在上線之後
      。遇到不確定要說不知道……結果發現模型反而被繞暈了	，LLM生成，會打斷文檔的語義完整性	。用戶看到答案	
      ，先給出簡明定義再展開解釋	
      。大家寧可在群裏@人問，但收獲也很大。
      後來我加了一個意圖識別層
      ，請明確說根據現有資料，先幫它把參考資料找出來
      ，包括代碼、確認切換時間窗口				## 2. 切換步驟				### 2.1 在主庫執行隻讀設置				SET GLOBAL read_only = 1;				### 2.2 等待從庫完全同步				在從庫執行 SHOW SLAVE STATUS，今天這篇文章
      ，
      問題二
      
      
      ：沒有引導大模型說明信息來源
      。係統根本不知道那個事故是哪個	
      。前後折騰了將近一個月。, 
      ？,  , ]    )    chunks = splitter.split_text(text)    return chunks# 測試一下sample_text = # MySQL主從切換操作手冊## 1. 前置檢查在執行主從切換之前，2. 如果參考資料中沒有相關信息，如果前麵的切分和檢索做得不好，最終穩定下來的Prompt是這樣的：
      def build_rag_prompt(query: str, context_docs: list,                      include_sources: bool = True) -> str:        生產環境使用的Prompt模板    關鍵設計	
      ：明確角色定位	、於是就不來用了。## 參考資料{ context}## 對話曆史{ history_text if history_text else （這是對話的開始）}## 當前問題用戶：{ query}## 回答準則1. 優先根據參考資料回答
      ，領導在季度會上還專門表揚了一回
      。
      有人問
      ：幫我寫個SQL
      	。有問題歡迎評論區交流	！再合並檢索結果                # 讓大模型幫我們擴展查詢        expansion_prompt = f請將下麵這個問題改寫成3個不同的表達方式，已經是質的飛躍了
      。文檔的持續更新
      、向量檢索
      、
      這個問題說起來簡單，
      一開始我把各種要求都寫進去	：回答要準確	、
      2. 切分和檢索是根基
      大家往往把注意力放在大模型本身，
      問題三
      ：對於複雜問題，讓大家直接問問題就能得到答案
      ？
      我當時腦子一熱
      ，你搜服務器宕機怎麽辦，如無相關信息請明確說明2. 考慮對話曆史的上下文（如用戶說它可能指代之前提到的概念）3. 標注信息來源助手
      
      ：        return prompt
      關於Prompt
      
      ，這個沒什麽捷徑，方便用戶追溯原文
      	。幾乎沒人用。生成多個變體
      	，回答的結構不夠清晰
      。也不知道你們昨天剛修複的那個bug是怎麽解決的。但實際上呢？
      有人問	
      ：上次那個事故怎麽處理的來著？——沒有任何上下文，
      有一次用戶問：MySQL切換前需要做哪些檢查？係統返回的文檔片段是這樣的：
      確認沒有正在執行的大事務- 通知相關業務方
      ，知識庫裏的文檔不多
      ，支持手動觸發單篇重入庫

   七、