近期在密集实践 RAG（检索增强生成）项目，踩坑越多，思考越深。
越实践，我越发现：与 AI 对话的本质，其实就是“指导”AI 交付令我们满意的结果。
这个结果可能是一段 Python 代码、一篇营销文案、一张图片，或者一段视频。
只不过，在指导 AI 的过程中，大部分人的直观感受是：“这个 AI 怎么这么笨？”
在我不理解 AI 的底层运行模式前，我也有同样的感受。我也曾怀疑是不是模型参数不够大？是不是需要微调？
但真的是这样吗？
不是的。在我真正理解了 AI 的运行模式之后，我发现一个扎心的真相：
不是 AI 不聪明，而是“你不理解 AI 是如何运行的”。
01 唯一的接口：Prompt
我们要重新审视一下我们和 AI 的关系。
无论你的 RAG 系统架构图画得多么复杂——用什么向量库、什么 Agent 框架、挂什么知识库——在系统运行的最后一毫秒，所有复杂的逻辑都会坍缩成一个动作：
把一堆文字拼接起来，塞进 AI 的输入框（Context Window）里。
这就是 Prompt（提示词）。它是我们与大模型沟通的唯一接口。
大模型就像一个函数。
是模型本身（比如 GPT-5、Claude-4.5、DeepSeek-v3.2），它的智商是固定的，我们很难改变。如果输出的质量很差，而（模型智商）又是目前顶尖的，那问题一定出在输入上。
很多时候，RAG 系统的表现糟糕，是因为我们把一堆切分得支离破碎、含混不清、甚至自相矛盾的文本块（Chunk），一股脑地塞进了里。
这就好比你请了一位米其林三星主厨（GPT-4），然后扔给他一篮子烂菜叶和混着泥沙的土豆。
主厨看着这堆食材，也很绝望。他做出来的，只能是一盘难以下咽的“黑暗料理”。
这就是 AI 领域的铁律：Garbage In, Garbage Out（垃圾进，垃圾出）。
想要 AI 变聪明，我们首先得学会“洗菜”。
02 别信用户的嘴，得信他的心
我们在做 RAG 时，最容易犯的错误就是：直接拿用户的问题去检索。
用户是懒惰的，也是不专业的。
用户问：“保修多久？”
如果不加处理，直接拿着这四个字去知识库搜，你可能会搜到：
这些乱七八糟的信息一拼进去，AI 也就晕了。
怎么解决？“翻译”一下。
在检索之前，我们要加一道工序：Query Rewrite（查询改写）。
我们用一个便宜的小模型，把用户的口语，翻译成机器听得懂的、精准的检索语言。
系统翻译后：“请检索 iPhone 15 Pro Max 国行版本的官方保修时长及延保政策。”别让 AI 猜谜语，把问题问清楚，答案自然就准了。
03 别信“长得像”，得信“相关性”
现在的 RAG 系统大多用“向量检索”。这玩意儿有个毛病：它看重的是“长得像不像”（语义相似度），而不是“逻辑对不对”。
这就像海选演员，向量检索帮你找来了 50 个“长得像主角”的人，但其中混杂了大量的“群演”。
如果你把这 50 段内容直接丢给大模型，它的注意力（Attention）会被稀释，这就是为什么它会忽略关键信息。
怎么解决？“重排序”。
一定要引入一个 Re-ranker（重排序模型）。
这是一个专门的“评分员”。它会对初筛出来的 50 个片段进行精细的逻辑打分，把那些滥竽充数的去掉，只留下最核心、最相关的 Top 3。
实践证明，加上这一步，AI 的智商仿佛瞬间提高了 20%。不是它变强了，是干扰它的噪音变少了。
04 给信息贴上“身份证”
最后，当我们把洗干净的食材交给 AI 时，还得告诉它这些食材的“身份”。
很多时候 AI 产生“幻觉”，是因为信息冲突。
AI 不知道谁对谁错，只好瞎编。
我们需要在 Prompt 里注入元数据（Metadata）：
[来源: 2024年最新售后规定] [可信度: 高] 内容...
[来源: 2020年旧版手册] [可信度: 低] 内容...
甚至直接告诉 AI：“如果信息有冲突，以年份最新的为准。”
只有当我们把输入的信息结构化、清晰化，AI 才能发挥出它应有的推理能力。
写在最后
回到最开始的话题。
当我们觉得“AI 不聪明”的时候，不妨先停下来看看我们喂给它的 Prompt：
指导 AI，其实就是一场精密的工程管理。
把“食材”洗干净，只是第一步。
粤ICP备14082021号
免费POC，
零成本试错
