请帮我推荐优化大模型+知识库的提示词技巧，重点是解决将知识库配置给大模型做RAG后，召回率不高或者不遵循指令。

如图给出了LLM应用性能优化的推荐路径。图中英文版prompt->Add few shot->Add simple retrieval->Fine-tune model->Add HyDE retrieval+fact-checking step->Add RAG content to training examples.翻译翻译：prompt工程->进阶prompt工程->简单RAG->微调模型->进阶RAG->带着RAG样本微调模型再翻译翻译，说人话：先从prompt工程开始把LLM应用快速跑起来。如果遇到各种问题，如表现性能不足，试着使用思维链，添加参考示例等进一步的prompt工程提升性能，如果prompt过长，试着精简prompt长度，把prompt工程做扎实。比如有许多朋友基于LangGPT结构化提示词快速的搭建了LLM应用，但是发现结构化提示词占用的上下文过长，这时可以尝试将提示词中不必要的部分删除，将提示词缩短，如果发现指令遵循度不足，则加强指令约束。如果提示工程能够满足要求，则到此为止即可。若不能，则按上面的两个维度分析问题。如果缺失知识，则先简单的做知识库RAG,RAG之后如果想让模型表现更收敛更稳定，尝试一下finetune模型。finetune模型后，模型表现变好，使用更多高级RAG技术，构造输入输出样本，进一步用于finetune模型，让模型表现进一步变好，构建正向迭代循环。需要注意的几个点：（1）这个路径有个隐藏的前提：该LLM应用依赖外部知识，需要RAG。如果不需要外部知识，则不需要使用RAG，可以直接进入prompt工程<—>微调的正向迭代循环。

大体上大模型+RAG流程上有2部分，第一步是检索出有用的信息，第二步是发给大模型，并结合用户的一些提问和prompt，让大模型生成高质量的内容。对于第二步，效果的好坏一是基于大模型本身的效果，和提示词工程的优劣。这2部分内容较为庞杂后续再另开帖子描述。先针对第一步检索有用的信息如何改进，提出相关建议。检索做得好，离不开索引，那如何优化索引成为第一步。3.1优化索引框架中的默认索引查找最相似的向量块。优化方式（一）按照子部分索引将文本块再拆分为较小的文本（例如单句），然后对这些小块进行多次索引适用场景：有多个主题，有冲突信息的复杂长文本信息。确保与查询相关的上下文。（二）按照文本框可以回答的问题索引让LLM生成与拆分的文本块相关的假设性问题，并将这些问题用于索引，而不是直接对整个块进行索引。适用场景：用户没有提出非常明确的问题，该方法可以减少模糊性。问题举荐，根据这个文档，提出3个假设性用户会询问的问题。（三）按照文本块的摘要进行索引适用场景：文本框中有多余信息或者与用户查询无关细节的时候。这种方法比较有用。3.2重排rerank搜到了最相似的信息，那我选哪个呢？这个都是策略。有的默认的取TOP 10,TOP 25，等。大部分场景下选择最相似的就没有问题。

当从知识库中检索出内容之后，我们就可以利用大模型进行总结了，这里我们可以选择的有两点优化Prompt选择合适的大模型优化Prompt这里就不展开了，因为提示词工程对于当下AI时代的重要性，我已经讲过太多次了，如果你想要学习提示词，请参考以下文章https://www.waytoagi.com/prompts?tag=7[Prompts共学快闪活动](https://waytoagi.feishu.cn/wiki/X59gwGdzginQgJkfVvQcqKZfn4e?from=from_copylink)而选择合适的大模型有两点需要考虑：上下文长度聪明度生成速度如果你的回答场景都是很长的文档，那么你可能会更关注上下文的长度另外：大多数情况下，大模型越聪明，其生成速度可能越慢。