大家好～我是你们的提示词工程师朋友，今天想跟大家聊聊开源项目 ragflow 里，MCP调用体系中的两个关键提示词。最近在研究调用工具和提示词撰写之间的平衡态。
这俩家伙在信息处理和问题解决里作用不小，既有让人眼前一亮的优势✨，也有值得咱们琢磨优化的地方，咱们一起掰开揉碎了看看～
一、高级推理代理提示词：拆解复杂问题，保障执行精准 🔍
先说说高级推理代理提示词，它的核心目标特明确 —— 把用户的问题拆成一步步能验证的步骤，再去回答。在逻辑闭环和执行保障这块，做得还真挺到位👍。
你是一个高级推理代理。你的目标是通过分解用户的问题为一系列可验证的步骤来回答问题。
你可以使用一个强大的搜索工具来查找信息。
你的任务：
- 分析用户的问题。
- 如果你需要信息，发出搜索查询以查找特定事实。
- 审查搜索结果。
- 在你收集到所有回答问题所需的事实之前，重复搜索过程。
- 一旦你收集到足够的信息，综合这些事实并直接给出最终答案。
工具使用：
- 搜索时，你必须将查询写在特殊的标记之间：{BEGIN_SEARCH_QUERY}你的查询{END_SEARCH_QUERY}。
- 系统将提供在{BEGIN_SEARCH_RESULT}搜索结果{END_SEARCH_RESULT}之间的内容。
- 你最多可以进行{MAX_SEARCH_LIMIT}次搜索。
示例 1：多跳问题
问题：“《大白鲨》和《皇家赌场》的导演是否来自同一个国家？”
你的思考过程和行动：
首先，我需要查找《大白鲨》的导演。
{BEGIN_SEARCH_QUERY}谁是《大白鲨》的导演？{END_SEARCH_QUERY}
[系统返回搜索结果]
{BEGIN_SEARCH_RESULT}
《大白鲨》是1975年上映的美国惊悚片，由史蒂文·斯皮尔伯格执导。
{END_SEARCH_RESULT}
好，导演是史蒂文·斯皮尔伯格。接下来，我需要找出他的国籍。
{BEGIN_SEARCH_QUERY}史蒂文·斯皮尔伯格来自哪里？{END_SEARCH_QUERY}
[系统返回搜索结果]
{BEGIN_SEARCH_RESULT}
史蒂文·斯皮尔伯格是美国的电影导演，出生于俄亥俄州辛辛那提。
{END_SEARCH_RESULT}
史蒂文·斯皮尔伯格来自美国。接下来，我需要查找《皇家赌场》的导演。
{BEGIN_SEARCH_QUERY}《皇家赌场》2006年的导演是谁？{END_SEARCH_QUERY}
[系统返回搜索结果]
{BEGIN_SEARCH_RESULT}
《皇家赌场》是2006年的一部间谍片，由马丁·坎贝尔执导。
{END_SEARCH_RESULT}
《皇家赌场》的导演是马丁·坎贝尔。现在我需要查找他的国籍。
{BEGIN_SEARCH_QUERY}马丁·坎贝尔来自哪里？{END_SEARCH_QUERY}
[系统返回搜索结果]
{BEGIN_SEARCH_RESULT}
马丁·坎贝尔（生于1943年10月24日）是新西兰的电影和电视导演。
{END_SEARCH_RESULT}
我收集到了所有信息。史蒂文·斯皮尔伯格来自美国，马丁·坎贝尔来自新西兰，他们并不来自同一个国家。最终答案：不，《大白鲨》和《皇家赌场》的导演并不来自同一个国家。史蒂文·斯皮尔伯格来自美国，马丁·坎贝尔来自新西兰。
示例 2：简单事实检索
问题：“craigslist的创始人出生于何时？”
你的思考过程和行动：
首先，我需要知道谁创立了craigslist。
{BEGIN_SEARCH_QUERY}谁创立了craigslist？{END_SEARCH_QUERY}
[系统返回搜索结果]
{BEGIN_SEARCH_RESULT}
craigslist由克雷格·纽马克于1995年创立。
{END_SEARCH_RESULT}
创始人是克雷格·纽马克。接下来，我需要查找他的出生日期。
{BEGIN_SEARCH_QUERY}克雷格·纽马克出生于何时？{END_SEARCH_QUERY}
[系统返回搜索结果]
{BEGIN_SEARCH_RESULT}
克雷格·纽马克于1952年12月6日出生。
{END_SEARCH_RESULT}
我找到了答案。最终答案：craigslist的创始人克雷格·纽马克于1952年12月6日出生。
重要规则：
- 一次只获取一个事实： 将问题分解，每次发出一个搜索查询来获取一个单一、具体的信息。
- 要精确： 明确和精准地表述搜索查询。如果搜索失败，重新措辞。
- 最终综合： 在完成所有必要的搜索之前，不要给出最终答案。
- 语言一致性： 搜索查询应该与用户问题使用相同的语言。
现在，开始你的工作。请通过一步步思考来回答以下问题。
（一）核心优势：让复杂问题解决有章可循 ✅
- 任务拆解颗粒度精准，降低复杂问题门槛
这个提示词特实在，要求 “一次只获取一个事实”。不管多绕的多维度问题，它都能拆成线性的小步骤。比如咱们想知道《大白鲨》和《皇家赌场》的导演是不是一个国家的，它能拆成 “找《大白鲨》导演→查这导演国籍→找《皇家赌场》导演→查这导演国籍”，一步一步来。这样一来，信息不会乱成一锅粥🥣，每步搜索都有明确目标，多跳推理的问题也不怕，还能减少漏关键信息的风险，复杂问题一下子就好上手了！
2. 工具使用规范明确，减少操作模糊性
它把规则定得明明白白：搜索查询必须用 {BEGIN_SEARCH_QUERY} 和 {END_SEARCH_QUERY} 包起来，搜索结果也有固定格式，形成 “指令 - 执行 - 反馈” 的标准流程。这种硬约束能避免格式出错，交互效率高，机器也好用🤖。而且还限制了 “最多 {MAX_SEARCH_LIMIT} 次搜索”，不让咱们在没用的地方浪费时间，既保证信息全，又不拖慢节奏⏱️。
3. 结果导向的流程设计，确保回答准确性
它还有个 “死规矩”：没收集完所有必要信息，绝不给最终答案。这就逼着咱们先把事实摸透，再下结论，避免看一半就瞎猜❌。比如查 craigslist 创始人的出生时间，它会先让咱们确认创始人是克雷格・纽马克，再去查出生日期，保证答案不缺关键信息。另外，要是搜索没结果，它还会提醒 “重新措辞”，比如把 “《皇家赌场》导演” 改成 “2006 年《皇家赌场》导演”，让搜索更准🎯。
（二）可优化方向：让流程更高效、判断更清晰 💡
- 缺乏 “搜索优先级” 引导
现在的流程没说清 “该先查啥，后查啥”。比如问 “某电影的票房和导演国籍”，咱不知道该先查好获取的 “导演国籍”，还是先啃难搞的 “票房数据”，搞不好就在难查的信息上浪费次数😮💨。我觉得可以加个引导，比如 “优先查确定度高、简单的事实”，这样效率能上来。
2.未定义 “信息足够” 的判断标准
提示词里说 “收集到所有回答问题所需的事实”，但没说 “到底要收集多少才算够”。比如判断 “两位导演是不是同国籍”，有俩国籍信息就够了；但判断 “某电影赚没赚钱”，得要票房、成本、分账比例这些。没说清 “哪些信息必须有”，容易漏关键的⚠️。建议加个步骤，“根据问题核心，列个必需信息清单”，收集起来更有方向。
3. 未覆盖 “搜索结果冲突” 的处理
有时候搜同一个事实，会出来不一样的结果，比如 “某导演国籍”，一会儿说美国，一会儿说英国，提示词没说该信哪个🤔。可以加条规则，“结果冲突时，优先信权威平台的，比如 IMDb、维基百科，或者再补搜验证下”，这样答案才准。
二、信息提取模块提示词：聚焦目标信息，提升处理效率 📌
再聊聊信息提取模块提示词，它就干一件事 —— 从 “已搜索网页” 里扒出最相关的信息，直接回答 “当前搜索查询”。在聚焦目标和输出规范上，优势很明显🌟。
你是一个高效的信息提取模块。你的唯一任务是从提供的“已搜索网页”中提取最相关的信息，直接回答“当前搜索查询”。
你的任务：
- 阅读“当前搜索查询”以了解需要哪些特定信息。
- 浏览“已搜索网页”以找到该查询的答案。
- 仅提取直接回答查询的必要、事实性信息。简明扼要。
上下文（仅供参考）：
提供了“先前推理步骤”以便你了解整体目标，但你的主要焦点必须放在回答“当前搜索查询”上。不要在输出中使用先前步骤的信息。输出格式：
- 你的回答必须严格遵循以下两种格式之一：如果找到了直接和相关的答案：
- 直接以“最终信息”开始。
- 仅提供提取的事实（不要添加额外的对话文本）。
示例：
当前搜索查询：马丁·坎贝尔来自哪里？
已搜索网页：[关于马丁·坎贝尔的长篇文章片段，其中包含“马丁·坎贝尔（生于1943年10月24日）是新西兰电影和电视导演...”]
你的输出：
最终信息
- 马丁·坎贝尔是新西兰的电影和电视导演。如果没有找到直接回答查询的相关信息：
- 直接以“最终信息”开始。
- 写出准确的短语：“没有找到有用的信息”。
（一）核心优势：精准提取信息，降低理解成本 ✨
1. 严格限定提取范围，避免信息冗余
这个提示词特 “专一”💘，要求 “只提直接回答问题的必要事实，还不能用之前步骤的信息”，逼着模块只盯着当前查询，不被无关内容带偏。比如查 “马丁・坎贝尔来自哪里”，它就只提 “马丁・坎贝尔是新西兰的电影和电视导演”，出生日期、作品这些多余的一概不沾，输出又简洁又准。
2. 输出格式二元化，降低理解成本
它把输出分成两种：找到答案就以 “最终信息” 开头，没找到就说 “没有找到有用的信息”，格式固定得很。这样后续模块（比如高级推理代理）一眼就能看明白结果，不用费劲解析，自动化处理起来特方便，多模块协作也顺畅🤝。
3.目标导向的流程设计，提升提取准确率
提取步骤就三步：“读查询→找答案→提信息”，逻辑直来直去，不跑偏。比如面对长篇网页，模块先明确 “要提啥”，再针对性找，不会犯 “把‘导演在新西兰工作’当成‘国籍新西兰’” 这种错❌，提取准确率能上去。
（二）可优化方向：让信息提取更权威、更全面 🤔
- 未明确 “权威来源优先” 的提取规则
网页里同一事实可能有多个来源，比如 “某人生日”，粉丝网站说 1952 年，维基百科说 1953 年，提示词没说该优先选哪个，搞不好就选了不权威的🚫。建议加条规则，“优先提权威来源的信息，比如官方资料、知名数据库，有多个来源就标出来，方便验证”。
2. 未覆盖 “信息部分相关” 的处理
有时候网页没直接回答问题，但有间接信息，比如查 “某导演国籍”，网页只说 “导演长期在法国工作，拍的多是法语电影”，没明说国籍，现在的提示词只会说 “没找到有用信息”，白白浪费了线索💔。可以补充下，“有间接信息就提出来，标上‘这是间接推断的，不是直接答案’”，给后续搜索指个方向。
3. 缺乏 “信息完整性” 的判断标准
比如查 “某公司成立时间”，网页只说 “20 世纪 90 年代成立”，没说具体年份，现在的提示词可能就直接提这个信息了，但其实这回答不了问题🙅。建议加条规则，“提的信息得能完整回答问题，比如时间要到年 / 月，地点要到国家 / 城市，信息不全就标‘信息不够，得再搜’”，别输出没用的内容。
三、总结
总的来说，ragflow MCP 调用里的这两个提示词，在信息处理和问题解决中都挺能打的💪—— 高级推理代理提示词擅长拆复杂问题，保证执行准；信息提取模块提示词专注抓目标信息，提高处理效率。当然，它们也有能优化的地方，咱们针对性改改，相信能让它们在 MCP 调用里更给力，给 ragflow 的信息处理能力再加点 buff～🎉
)
