分享一下我 5 月从事文旅 AI 助手的一些得与失，并探讨在对话场景下，怎样实现才更为合理。
首先补充一下项目背景：该项目涉及景区、美食、停车场、酒店、天气等信息。要求是：当用户提问时，系统能够基于数据库的内容进行润色后回答，且回答的模板可能是固定的，类似下面这种
不过，很快就遇到了第一个问题：如何切分数据。
最初的实现思路是基于 Agent + RAG + Dify 的组合来搭建和管理，流程大致如下：
如何切分
数据库的字段大概是下面这种形式：
{ "name": "景点名称", "type": "景点类型", "address": "景点地址", "description": "景点描述", "price": "景点价格", "time": "景点开放时间", "ticket": "景点门票", "phone": "景点联系电话", "email": "景点联系邮箱", "website": "景点官网", "image": "景点图片"}对于这种结构化数据，如果直接进行切分，效果会比较差。当时查阅了很多文章，也做了一些调研，后来实践发现，将其直接转化为 Markdown 格式是比较合适的方案，然后在段落之间手动添加特殊的分隔符（例如 ---）来标识切分点。
但这还没完，很快发现一个新问题：“景点描述”字段内容过长，超出了向量模型处理的最大长度限制，这带来了很大的麻烦。当时想了两个方案：
- 调高重叠段落（overlap）的字符数。将单条数据拆分成多个文件上传。
但折腾了一番后，这两个方案都没能解决问题。究其原因，RAG 的本质是对段落信息进行检索。
- 由于原始文本太长，切分后的段落非常零散，导致关键信息无法被有效召回。将数据库的每一行拆分成多个 MD 文件上传，但在实践中效果依然不佳，因为检索时系统会返回整个文件的内容，导致 Token 消耗量过大。
所以，这是我的第一个感悟：对于传统的结构化数据，将其转化为 MD 格式用于关键词检索通常已经足够。但如果某些字段（如描述）内容过长，就需要考虑其他实现方式。站在今天的视角来看，我认为最佳做法依然是 RAG，但核心思路有所调整：在向量索引中，不存储完整的“景点介绍”这类长文本，而是只存储其 ID。
这样，检索流程就变成了：先通过 RAG 检索到相关的 ID，再根据 ID 从数据库中查询详细的介绍信息，最后将信息拼接返回。
此外，随着后续 MCP Server（Model Control Plane，可以理解为模型工具调用服务）的推出，许多数据库也可以结合 LLM 直接实现信息检索。
需要注意配置 MCP 以及模型本身是否支持工具调用。
所以，概括一下，对于结构化数据场景，可以从以下两个方面来实现信息检索：
- 基于 RAG（优化为 ID 检索 + 数据库查询）基于 MCP Server（工具调用）
天气
天气查询这部分也值得单独思考。初始版本是基于“固定城市 + 专用天气接口”的方式来实现的，但这是否为最优解呢？我认为不是。
后来到了 6 月，新版的 DeepSeek 推出了模型联网功能，这使得天气查询问题变得简单多了。模型可以直接从百度等网站上实时爬取信息，从而天然地支持了对任意城市的查询。
此外，随着 MCP 生态的完善，许多天气相关的 API 也支持通过 MCP 进行调用，通常只需配置一个 Token 即可轻松实现。
Prompt
Prompt 的编写也值得一提。市面上关于 Prompt 的文章和教程有很多，甚至还催生了“提示词工程师”这样的岗位。但对于一个流程清晰的项目而言，我认为遵循以下两个建议，就足以编写出可用的提示词：
- 利用模型生成初版：基于最新的模型（如 Gemini、ChatGPT），让它根据你的需求生成一份基础提示词。提供范例（Few-shot Learning）：LLM 可以通过少量样本来学习回答的格式和范例。如有需要，还可以加入负面样本（例如，不希望看到的回复）或明确的禁止项（例如，禁止回答某些话题）来进一步规范输出。
此外，在调试 Prompt 时我还发现一个问题：提示词写得好是一方面，模型的选择也同样至关重要。模型的输出效果固然依赖于提示词，但选择一个参数更大、版本更新的模型，往往能更大概率地改善最终效果。
最后
以上就是我的一些感悟，总结一下，在当前的 AI 项目实践中：
- 提示词需要精心设计：好的提示词需要不断打磨和完善。模型选择至关重要：尽量选择参数量大、版本新的模型，这往往是提升效果最直接的方法。RAG 并非万能：RAG 方案不一定是最优解，可以多考察类似 MCP Server 这样的工具调用（Tool Calling）方案，善用现有生态。
