为了确保 RAG（检索增强生成）系统的答案充分回答用户的查询中的所有部分，开发者必须关注三个方面：提高检索质量、有效地构建提示词以及验证输出的完整性。
首先，检索步骤必须捕获回答查询所需的所有相关信息。对于多部分问题，检索器应获取涵盖每个子主题的文档。例如，如果用户询问：“Python 的优点是什么，与 Java 相比有哪些缺点？”，检索器必须呈现关于 Python 优点、缺点以及与 Java 对比的数据。查询扩展（例如，将查询分解为“Python 优点”、“Python 缺点”和“Python vs Java”等子查询）或使用混合搜索（结合关键词搜索和语义搜索）等技术可以提高覆盖率。开发者还应测试检索输出，确保其与查询的范围一致。如果检索器遗漏了关键点，LLM 将无法处理这些点。
其次，提示词工程确保 LLM 明确回答查询的每个部分。诸如“列出 Python 的三个优点，然后解释与 Java 相比的两个缺点”之类的指令可以引导模型清晰地组织回答。对于复杂的查询，将提示词分解为子任务（例如，“首先，描述 X。其次，比较 Y 和 Z。”）可以减少歧义。在提示词中包含示例（少样本学习）也有帮助。例如，展示一个有条理地回答多部分问题的示例回答，可以训练 LLM 模仿这种格式。此外，通过检查（例如，使用正则表达式模式检查列举的项目）对输出进行后处理可以标记缺失的部分。
最后，验证至关重要。开发者可以实现自动化检查，例如使用较小的 LLM 或分类器来验证是否处理了所有查询组件。例如，如果用户询问了“原因、影响和解决方案”，验证器可以在回答中扫描“原因”、“影响”和“解决方案”等关键词。使用多样化的查询进行手动测试也有助于识别差距。基于失败进行迭代改进——调整检索参数、提示词和验证规则——确保系统随着时间的推移而改进。通过结合强大的检索、清晰的提示词和彻底的验证，开发者可以可靠地确保答案涵盖用户查询的所有方面。
