动态AI提示设计：RAG系统中的三层降级策略

1. Dynamic AI Hints 设计解析

在AI驱动的知识管理系统中，Dynamic AI Hints（动态AI提示）是一个关键的用户引导机制。它通过智能生成问题建议，帮助用户更好地与系统交互。但很多初级产品经理和开发者常犯的一个错误是，只考虑了理想情况下的RAG（检索增强生成）场景，而忽略了用户旅程中的各种边界情况。

1.1 核心问题场景

当用户刚创建一个新的Notebook时，系统会面临一个典型的技术挑战：

• 用户打开空白Notebook页面
• 后端接口被调用以生成三个推荐问题
• 但此时向量数据库是空的（因为尚未上传任何Source）
• RAG机制无法工作，导致无法生成基于内容的推荐问题

这个看似简单的场景，实际上反映了产品设计中的一个深层次问题：如何在没有用户数据的情况下，仍然提供有价值的交互引导？

2. 三层降级策略详解

成熟的RAG产品采用了一种被称为"三层降级"的策略来解决这个问题。这个策略不仅考虑了技术实现，更重要的是从用户体验角度出发，确保在任何状态下都能给予用户恰当的引导。

2.1 第一层：基于内容的动态提示（理想情况）

当Notebook中已有上传的Source时，系统采用完整的RAG+LLM工作流：

python复制def generate_questions_with_rag(notebook_id):
    # 从向量库检索相关内容
    sources = vector_db.query(notebook_id=notebook_id)
    if not sources:
        return None  # 触发降级逻辑
    
    # 构建RAG提示
    prompt = f"""基于以下内容，生成3个最相关的问题：
    {sources}
    问题应该：1) 覆盖主要内容 2) 具有开放性 3) 引导深入探讨"""
    
    # 调用LLM生成问题
    questions = llm.generate(prompt)
    return questions

这种模式的优势在于：

• 问题与内容高度相关
• 能引导用户深入探索已上传的资料
• 增强AI助手的实用性和针对性

2.2 第二层：基于元信息的引导提示

当Notebook为空但包含元信息（如标题、描述）时，系统会切换到元信息引导模式：

python复制def generate_questions_from_metadata(notebook):
    if not notebook.title and not notebook.description:
        return None  # 继续降级
    
    prompt = f"""这是一个标题为"{notebook.title}"的Notebook，描述是：
    "{notebook.description}"
    
    在用户尚未上传任何资料前，生成3个引导性问题，帮助用户：
    1) 明确记录目的 2) 思考上传内容 3) 开始使用AI功能"""