时间：2026年4月10日
本文带你从零读懂天机ai智能助手的核心技术路线，厘清Prompt与RAG的逻辑关系，看完就能面试。
一、开篇：为什么是这篇？
2026年，大模型早已不是新鲜词。但一个现象很普遍：很多人会用AI，却讲不清背后的原理；知道RAG这个词，但说不透它是怎么工作的；提到Prompt工程，只知道“写提示词”，却不知道它和大模型之间的关系究竟是什么。
这些问题，正是面试中最爱问、也最容易暴露短板的地方。
本文以天机ai智能助手（Tianji）为范本——一个开源的大语言模型应用项目，专注于中文社交场景，涵盖Prompt工程、RAG知识库、Agent开发、模型微调等完整技术栈-2。通过拆解它的两条核心技术路线，带你建立一条从概念到面试的完整知识链路。
二、痛点切入：一个“会来事儿”的AI是怎么来的？
假设你要做一个“社交助手”——帮用户写敬酒词、送祝福、化解尴尬场面。
最简单的方案：把规则写死在代码里。
传统方案：硬编码if-else def get_toast_words(scene, relation): if scene == "business_dinner": if relation == "boss": return "X总，我敬您，祝您事业蒸蒸日上" elif relation == "colleague": return "兄弟，这杯敬你，以后多关照" ... 几十个if-else
缺点：场景稍一变化就崩，扩展性几乎为零，维护成本高到离谱。
更好的思路来了——让大模型来生成。于是出现了两条技术路线：基于Prompt工程，和基于RAG知识库-1。
三、概念A：Prompt工程（提示词工程）
定义：Prompt Engineering，指通过精心设计输入指令（提示词）来引导大语言模型生成符合预期的输出，而不对模型本身做任何参数调整-。
大白话：你给大模型写一份“说明书”，告诉它“你是谁、要做什么、怎么做、别做什么”-16。
天机怎么做的？
天机内置了丰富的提示词模板，覆盖从简单问候到复杂谈判的各种场景-26。比如送祝福场景，开发者可以这样定义：
数据生成中的风格模板 "style_temple": "小红书风格，每条加入1-2个emoji表情包来增加趣味性", "if_example": True, '默念你的名，祝你前途云蒸霞蔚，灿若星河。愿你度过的叫吉时，得到的叫如愿！'
Prompt解决了什么问题：让大模型“听懂人话”，生成符合指定风格、角色定位的内容。它不改变模型本身，只改变“提问方式”-。
四、概念B：RAG知识库（检索增强生成）
定义：Retrieval-Augmented Generation，是一种将检索系统与大语言模型结合的技术——先检索相关知识，再让模型基于这些知识生成回答-3。
大白话：大模型记不住所有事情，还可能“胡编乱造”。RAG的做法是：先查资料，再回答。就像考试时让你翻书，而不是全靠记忆。
RAG解决的核心问题：
知识滞后：大模型训练数据截止于某个时间点，RAG能接入最新信息
领域知识不足：可对接私有文档、专业资料
幻觉问题：回答基于检索到的真实信息，而非模型“编造”-
RAG比传统微调的优势：无需重新训练模型就能更新知识库，精确控制知识来源，成本效益更高-3。
五、概念关系：Prompt vs RAG
这两者是什么关系？一句话概括：
Prompt是“怎么问”，RAG是“给什么资料”。
| 维度 | Prompt工程 | RAG |
|---|---|---|
| 本质 | 指令优化 | 知识补充 |
| 改变什么 | 提问方式 | 输入信息源 |
| 解决什么问题 | 让模型理解需求、规范输出 | 弥补知识缺失、减少幻觉 |
| 是否需要外部数据 | 不需要 | 需要（文档库/数据库） |
| 成本 | 低（仅调用成本） | 中等（需建知识库） |
工作中通常两者结合：Prompt做通用问题解答，RAG做专业问题解答-16。
六、代码示例：动手跑一个RAG
下面是天机项目中RAG问答的核心调用逻辑：
初始化模型中心 model = model_center() 用户提问 question = "商务宴请怎么敬酒？" 存储对话历史 chat_history = [] 调用RAG问答链 answer = model.qa_chain_self_answer(question, chat_history) print(answer)
执行流程解析：
数据准备：天机将社交知识文档加载、分割成语义块，用Sentence-Transformer模型将每个块向量化，存入Chroma向量数据库
检索匹配：用户提问后，系统将问题也转换成向量，在向量库中通过余弦相似度检索最相关的Top N知识片段
生成回答：将检索到的知识片段与问题拼接成增强提示词，送入大模型生成最终答案-1
天机RAG系统包含五大核心组件：文档加载器、文本分割器、向量数据库、检索器、大语言模型-3。
七、底层原理：支撑这些技术的基础
Prompt工程依赖什么？
Transformer架构的自注意力机制：大模型之所以能“理解”复杂Prompt，靠的是多头注意力捕获词与词之间的长距离依赖
上下文窗口：Prompt长度受限于模型的上下文窗口（Context Window）
In-Context Learning：大模型在推理阶段的“举一反三”能力，无需微调
RAG依赖什么？
Embedding模型：将文本转换为高维向量表示
向量数据库：高效存储和检索向量（Chroma、FAISS、Milvus等）
相似度计算：ANN算法、余弦相似度等检索匹配机制
LangChain/LlamaIndex：编排RAG流程的框架
天机同时支持LangChain和LlamaIndex两大主流框架，并实现了混合检索、重排序、上下文扩展等高级优化技术-3。
八、高频面试题
1. 什么是RAG？简单说明它的工作流程
参考答案：RAG是“检索增强生成”，分三步：①数据准备——将文档分块、向量化、存入向量库；②检索匹配——用户问题转向量，检索Top N相似片段；③生成回答——检索内容+问题拼接后给大模型生成答案-16。
踩分点：三个环节说全 + 能解释“为什么需要RAG”
2. Prompt工程和RAG的本质区别是什么？
参考答案：Prompt是“指令优化”，通过调整提问方式挖掘模型已有知识，不依赖外部数据；RAG是“知识补充”，给模型喂外部资料来弥补知识盲区。两者本质是“问的方式”vs“给的信息”，实际应用中通常结合使用。
踩分点：定位清晰 + 对比维度完整
3. 向量化（Embedding）是怎么回事？
参考答案：将文本、图片等非结构化数据转化为“数值向量”（一串有序浮点数），让机器能计算语义相似度。比如“iPhone续航”和“苹果手机电池使用时长”在向量空间中距离很近-16。
踩分点：本质解释 + 举例说明
4. 如何解决大模型的“幻觉”问题？
参考答案：核心思路是“输入约束+生成控制+输出校验”。主流方案是RAG——先检索权威资料，再让模型基于资料生成，避免“瞎编”。此外还可通过Prompt约束（“不知道就说不知道”）和RLHF微调来缓解-16。
踩分点：方案名称 + 原理简述 + 至少两种手段
九、总结
本文核心要点：
| 概念 | 一句话记忆 |
|---|---|
| Prompt工程 | 怎么问——优化指令，挖掘模型能力 |
| RAG | 给什么——先查资料再回答，补知识、治幻觉 |
| 二者关系 | 问法 vs 信息源，通常配合使用 |
| 底层依赖 | Transformer、Embedding、向量数据库、LangChain |
易错点提醒：不要把RAG和Agent混淆。RAG专注“知识检索”，Agent专注“自主决策和执行”-16。天机项目将两者都纳入了技术栈，但定位完全不同。
进阶预告：下一篇将深入天机Agent智能体的设计与实现——包括MetaGPT多代理架构、工具调用机制、以及企业级AI应用的完整落地流程。
参考资料：
天机官方文档：https://tianji.readthedocs.io
天机项目仓库：https://gitcode.com/gh_mirrors/tia/Tianji
Datawhale动手学大模型应用开发系列
