本文档详细介绍了 Local Deep Researcher 系统中使用的提示模板和工程技术。这些提示作为指令，指导本地大型语言模型 (Local LLM) 完成自动化研究过程的各个阶段。有关 LLM 集成的信息，请参见LLM 集成。
Local Deep Researcher 在研究工作流的不同阶段使用精心设计的提示。这些提示控制 LLM 如何生成搜索查询、总结内容以及识别知识空白。
来源： src/ollama_deep_researcher/prompts.py1-90
系统实现了三个主要的提示模板，每个模板在研究流程中都有特定的用途
| 提示类型 | 功能 | 变量名称 |
|---|---|---|
| 查询生成 | 创建有针对性的网页搜索查询 | query_writer_instructions |
| 摘要生成 | 将搜索结果合成为连贯的摘要 | summarizer_instructions |
| 反思 | 识别知识空白并生成后续问题 | reflection_instructions |
来源： src/ollama_deep_researcher/prompts.py7-90
查询生成提示指示 LLM 根据研究主题创建有针对性的网页搜索查询。它包含当前日期，以确保查询考虑到最新的信息。
主要功能
query 和 rationale）该提示指示 LLM 生成一个 JSON 响应，其中包含搜索查询字符串和简要理由，解释查询与研究主题的相关性。
来源： src/ollama_deep_researcher/prompts.py7-32
摘要生成提示指导 LLM 从搜索结果中创建连贯的摘要。它包含了创建新摘要和扩展现有摘要的具体说明。
摘要器处理两种不同的场景
主要功能
来源： src/ollama_deep_researcher/prompts.py34-62
反思提示指示 LLM 分析当前摘要，识别知识空白，并生成有针对性的后续问题以提高研究质量。
主要功能
knowledge_gap 和 follow_up_query）反思提示对于研究过程的迭代性质至关重要，因为它在识别出信息空白时推动生成新的、更集中的查询。
来源： src/ollama_deep_researcher/prompts.py64-90
以下序列图说明了提示如何集成到研究工作流中
来源： src/ollama_deep_researcher/prompts.py1-90
Local Deep Researcher 中的提示遵循以下几项设计原则
这些原则确保 LLM 生成一致且结构化的输出，系统可以可靠地对其进行处理。
来源： src/ollama_deep_researcher/prompts.py7-90
系统在查询生成提示中包含当前日期信息，以帮助 LLM 生成及时的研究查询
此日期功能 (src/ollama_deep_researcher/prompts.py4-5) 提供时间上下文，帮助 LLM 了解截至当前日期可能有哪些信息可用，从而避免生成假定信息过时或未来才可用的查询。
来源： src/ollama_deep_researcher/prompts.py1-5 src/ollama_deep_researcher/prompts.py9-11
修改提示模板时，请考虑以下事项
提示修改应进行彻底测试，因为微小的更改也可能显著影响研究结果的质量。