从零构建自己的 RAG 聊天机器人。

1 · 将这份提示词交给 AI 编程助手

将这份完整需求交给 Claude Code、Codex，或用作自己的实施规范。每完成一步都先用真实问题验证，再继续下一步。

你正在为固定的内部语料构建一个文档问答聊天机器人。请端到端地逐步构建；当前步骤不能回答真实问题前，不要进入下一步。

语料与导入
- 接收源文档文件夹，先支持纯文本或转为文本的 PDF。
- 解析每份文档，并拆分为适合检索而非展示的、彼此重叠的段落。
- 为每份完整文档生成并保存简短摘要。

四个检索通道——必须全部构建：
1. 段落向量：嵌入每个段落，支持 top-k 相似度检索。
2. 摘要向量：嵌入每份文档摘要，支持 top-k 相似度检索。
3. 全文 / 关键词：在原始文本上进行精确与近似术语检索。
4. 图谱：提取跨文档实体和关系，支持多跳遍历。

合并与上下文组装
- 每个问题都并行查询四个通道。
- 在应用上下文大小预算前，对重叠结果去重。
- 无法查询的通道应作为状态返回，而不是让整个请求失败的异常。

生成与引用
- 严格依据组装后的上下文作答，绝不使用外部知识。
- 每个回答都必须列出使用的文档。
- 当检索到的上下文无法支持回答时，明确拒答。

本基线暂不包含
- 每个回答的反馈收集和评论。
- 多轮或追问处理：暂时将每个问题视为独立问题。

完成标准：提出十个真实问题，覆盖改写提问、宽泛文档发现、精确代码查找和多跳关系。每个问题都得到有依据且带引用的回答，或诚实地拒答。

2 · 先完成一条端到端路径，再逐步扩展

从段落、向量索引和带引用的生成开始。当这条路径能回答真实问题后，再逐一加入其他通道，这样每次失败都能被观察和定位。

1. 语料与解析。 在编写检索代码前，为每个来源建立稳定、可引用的 ID。
2. 段落、段落向量与生成。 先让这一个通道端到端输出带引用的回答。
3. 摘要与摘要索引。 每份文档摘要只生成一次，存储后再嵌入。
4. 全文索引。 使用成熟的搜索引擎，而不是手写术语匹配和排序。
5. 图谱索引。 最后再加入实体和关系；这是维护成本最高的通道。
6. 合并、去重与上下文预算。 让这一步可独立测试，无需调用 LLM。
7. 有依据的生成与引用。 要求列出来源；没有证据时必须明确拒答。
8. 十题冒烟测试。 每个通道专长至少测试一个问题，再宣布基线完成。

3 · 基线清单

• 可以添加和重新索引文档，而无需完整重启。
• 四个通道都可以单独查询和检查。
• 合并步骤会在应用上下文预算前去除重叠结果。
• 每个生成回答都会列出使用的文档。
• 没有检索到相关证据时，聊天机器人会拒答而不是猜测。
• 十题冒烟测试记录每个回答由哪个通道贡献。
• 反馈收集和追问处理仍有意排除在这个基线之外。