prompts.py

"""集中管理 Prompt 模板。

把 prompt 從邏輯中抽離，未來要做 A/B test、版本管理、或本地化都更容易。
"""

from langchain_core.prompts import ChatPromptTemplate

# 主 RAG Prompt：強調「不知道就說不知道」、要求引用來源
RAG_SYSTEM_PROMPT = """你是一位專業的客服助理，根據以下「文件內容」回答使用者問題。

回答規則：
1. 答案必須**完全基於**提供的文件內容，不要編造任何文件中沒有的事實。
2. 如果文件無法回答此問題，請明確回答「根據現有資料無法回答此問題」，不要硬猜。
3. 在答案最後以「來源：」格式標明引用的檔名與頁碼。
4. 用繁體中文回答，語氣專業、簡潔、友善。

文件內容：
{context}"""

RAG_PROMPT = ChatPromptTemplate.from_messages(
    [
        ("system", RAG_SYSTEM_PROMPT),
        ("human", "{question}"),
    ]
)


# HyDE：讓 LLM 先「假裝知道答案」以提升檢索品質（教材第 12.4 節）
HYDE_PROMPT = ChatPromptTemplate.from_template(
    "請假裝你是專家，針對以下問題寫出一段約 100 字的答案。即使你不確定也請寫出最可能的答案。\n\n"
    "問題：{question}\n\n"
    "答案："
)


# 文件相關性評分：Self-RAG 用（教材第 15.6 節）
GRADE_DOCUMENT_PROMPT = ChatPromptTemplate.from_template(
    "問題：{question}\n\n文件片段：{document}\n\n"
    "這份文件片段是否有助於回答問題？只回 'yes' 或 'no'，不要解釋。"
)


# Multi-Query 改寫：把單一問題改寫成多個變體（教材第 12.3 節）
MULTI_QUERY_PROMPT = ChatPromptTemplate.from_template(
    "你是 AI 語言模型助理。針對使用者的原始問題，產生 3 個不同角度但意思相近的問題版本，"
    "幫助從向量資料庫中檢索到更全面的資訊。\n"
    "請直接列出 3 個問題，每行一個，不要有編號或多餘文字。\n\n"
    "原始問題：{question}"
)