Промпт: Сформулировать запросы для RAG

Назначение шаблона

Этот материал даёт готовый prompt, чтобы сформулировать запросы для RAG. Он специально построен для инженерного review: модель обязана сохранить исходные данные, показать допущения и назвать то, что она не смогла подтвердить.

Что подготовить

Готовый промпт

Ты — инженер-исследователь и специалист по RAG/источникам.

ЗАДАЧА
Сформулировать запросы для RAG.

РАБОЧИЙ СЦЕНАРИЙ
Сформулируйте RAG queries из инженерных сущностей, синонимов, обозначений и номера стандарта.

ИСХОДНЫЕ ДАННЫЕ
- исходные величины и единицы: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- формула/метод: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- область применимости: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- контрольные значения: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- ожидаемая единица результата: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]

ОБЯЗАТЕЛЬНЫЕ ПРАВИЛА
1. Не придумывай отсутствующие числа, размеры, свойства, стандарты, ссылки, паспортные параметры или результаты испытаний.
2. Не меняй значения и единицы молча. Любое преобразование покажи отдельно.
3. Разделяй ФАКТ ИЗ ВХОДА / ИЗВЛЕЧЁННЫЙ ФАКТ / ВЫЧИСЛЕНИЕ / ИНТЕРПРЕТАЦИЮ / ДОПУЩЕНИЕ.
4. Если критического входа или доказательства нет, верни вопрос или статус «требует проверки», а не правдоподобную подстановку.
5. Отсутствие найденного доказательства не заменяй знанием «по памяти»; показывай, что retrieved, а что остаётся неизвестным.

СПЕЦИФИЧЕСКАЯ ПРОЦЕДУРА
Сформулируй несколько retrieval queries: exact designation, synonyms, broader context и identifier variants. Не превращай query expansion в ответ.

ТРЕБУЕМЫЙ РЕЗУЛЬТАТ
Query set with purpose; expected document type; filters/metadata; dedup strategy; evaluation queries for recall/precision.

ACCEPTANCE
- каждый вход имеет единицу и статус
- формула/метод и область применимости названы
- промежуточные преобразования единиц видимы
- результат подтверждён контрольным примером или независимым расчётом

ФИНАЛЬНЫЙ SELF-CHECK
- перечисли все новые числа/утверждения, появившиеся не напрямую из входа;
- укажи, чем инженер должен независимо проверить критический результат;
- перечисли незакрытые вопросы;
- не выполняй write/deploy/publish и другие необратимые действия без явного разрешения.

STOP CONDITION
Если без отсутствующего критического параметра, первичного источника или разрешения корректный вывод невозможен — остановись и запроси это явно.

Почему он работает лучше короткой команды

Короткая команда обычно оставляет модели слишком много свободы: неизвестно, какие данные считать истинными, можно ли придумывать пропуски и в каком виде вернуть результат. Здесь контракт задан заранее. Это не гарантирует правильность ответа, но делает ошибку наблюдаемой: видно, какое поле использовано, где возникло допущение и какой шаг должен проверить человек.

Self-check остаётся проверкой внутри той же генеративной системы, поэтому он полезен только как фильтр очевидных несогласованностей. Независимое подтверждение выполняется профильным средством: расчётным модулем, первичным стандартом, CAD/CAE, измерением, unit-test или контрольным экспериментом.

Адаптация под облачную и локальную модель

• В ChatGPT/GPT, Gemini или Claude передавайте только релевантный контекст и фиксируйте используемый режим/tools.
• Через API задайте JSON-schema или другой строгий output contract и машинную валидацию.
• Для локальной LLM через Ollama/другой runtime сохраните тот же контракт, но проверяйте качество на собственном eval-наборе.
• Если есть web/RAG/коннекторы, явно ограничьте допустимые источники и права на запись.
• После смены модели, тарифа или системной инструкции повторите эталонные тесты.

Разбор рабочего примера

Промпт: Сформулировать запросы для RAG. Рабочий вариант применения: Сформулируйте RAG queries из инженерных сущностей, синонимов, обозначений и номера стандарта.

Перед первым запуском заполните placeholders реальными значениями и сохраните исходный prompt как версию. После ответа сравните его с acceptance-критериями статьи: любое новое число, ссылка или действие без происхождения переводится в open question. Для регулярного использования добавьте этот пример в eval-набор и прогоняйте после смены модели, тарифа, runtime или системной инструкции.

Критерии acceptance для этой задачи

RAG/research-prompt оценивают по тому, можно ли восстановить доказательство. Требуйте source_id, раздел/страницу, версию документа и отделение прямого факта от синтеза. Chunking и retrieval проверяют на реальных вопросах, включая случаи, когда правильный ответ — «в базе нет данных».

• каждый вход имеет единицу и статус
• формула/метод и область применимости названы
• промежуточные преобразования единиц видимы
• результат подтверждён контрольным примером или независимым расчётом

Контрольный прогон именно для этой задачи

Проверка исследования и RAG. В исследовательской задаче проверяется не только ответ, но и retrieval. Источник должен существовать, locator вести к нужному месту, а отсутствие доказательства должно оставаться отсутствием, а не заполняться моделью по памяти.

Для «Промпт: Сформулировать запросы для RAG» соберите небольшой fixture, где явно присутствуют исходные величины и единицы, формула/метод, область применимости и контрольные значения. Сохраните этот набор без изменений: он нужен как эталон для повторного запуска после смены модели, режима, тарифа, system prompt или подключённых tools.

Фиксируйте результат прогона как PASS/FAIL по каждому тесту и сохраняйте причину исправления. Это превращает prompt из одноразового текста в проверяемую инженерную процедуру: последующее обновление модели можно оценить на тех же входах, а не по субъективному впечатлению от нового ответа.

Как запускать шаблон

Сначала заполните все поля, которые реально известны, и не удаляйте placeholder у неизвестного критического параметра — лучше явно написать «нет данных». Первый запуск используйте как draft. Затем сравните ответ с acceptance-критериями выше и верните модели только конкретные замечания, а не просьбу «улучшить всё». Для регулярной задачи сохраните prompt, входной fixture и ожидаемые свойства результата в системе версий. После смены модели/режима повторите минимум три кейса: нормальный, граничный и с отсутствующим критическим входом.

Проверка результата

Когда ответ нужно остановить

• появились новые исходные числа без источника;
• ссылка или стандарт не открывается/не относится к задаче;
• вывод зависит от отсутствующего параметра;
• модель пытается выполнить write/deploy/publish без разрешения;
• нет способа восстановить, какие входы дали итог.

Навигация по 10 промптам этой части