feat: 统一提示词模板并添加全量提示词日志 [AC-AISVC-02, AC-ASA-19, AC-ASA-20]

- 新增 prompts.py 集中管理系统提示词和证据格式化
- orchestrator.py 添加全量提示词日志打印
- openai_client.py 添加全量提示词日志打印（支持普通和流式）
- rag.py 重构使用统一的提示词模板

ai-service/app/api/admin/rag.py

@@ -14,6 +14,7 @@ from pydantic import BaseModel, Field
 
 from app.core.config import get_settings
 from app.core.exceptions import MissingTenantIdException
+from app.core.prompts import format_evidence_for_prompt, build_user_prompt_with_evidence
 from app.core.tenant import get_tenant_id
 from app.models import ErrorResponse
 from app.services.retrieval.vector_retriever import get_vector_retriever
@@ -226,6 +227,11 @@ async def run_rag_experiment_stream(
 
             final_prompt = _build_final_prompt(request.query, retrieval_results)
 
+            logger.info(f"[AC-ASA-20] ========== RAG LAB STREAM FULL PROMPT ==========")
+            logger.info(f"[AC-ASA-20] Prompt length: {len(final_prompt)}")
+            logger.info(f"[AC-ASA-20] Prompt content:\n{final_prompt}")
+            logger.info(f"[AC-ASA-20] ==============================================")
+
             yield f"event: retrieval\ndata: {json.dumps({'results': retrieval_results, 'count': len(retrieval_results)})}\n\n"
 
             yield f"event: prompt\ndata: {json.dumps({'prompt': final_prompt})}\n\n"
@@ -270,6 +276,11 @@ async def _generate_ai_response(
     """
     import time
 
+    logger.info(f"[AC-ASA-19] ========== RAG LAB FULL PROMPT ==========")
+    logger.info(f"[AC-ASA-19] Prompt length: {len(prompt)}")
+    logger.info(f"[AC-ASA-19] Prompt content:\n{prompt}")
+    logger.info(f"[AC-ASA-19] ==========================================")
+
     try:
         manager = get_llm_config_manager()
         client = manager.get_client()
@@ -300,33 +311,10 @@ async def _generate_ai_response(
 def _build_final_prompt(query: str, retrieval_results: list[dict]) -> str:
     """
     Build the final prompt from query and retrieval results.
+    Uses shared prompt configuration for consistency with orchestrator.
     """
-    if not retrieval_results:
+    evidence_text = format_evidence_for_prompt(retrieval_results, max_results=5, max_content_length=500)
-        return f"""用户问题：{query}
+    return build_user_prompt_with_evidence(query, evidence_text)
-
-未找到相关检索结果，请基于通用知识回答用户问题。"""
-
-    evidence_text = "\n".join([
-        f"{i+1}. [Score: {hit['score']:.2f}] {hit['content'][:200]}{'...' if len(hit['content']) > 200 else ''}"
-        for i, hit in enumerate(retrieval_results[:5])
-    ])
-
-    return f"""【系统指令】
-你是一名经验丰富的客服专员，名字叫“小N”。请遵循以下准则：
-1. 使用自然、口语化的中文，语气亲切、有礼貌，像在和人聊天一样。
-2. 不要使用列表、编号或过于机械的结构，而是用连贯的段落表达。
-3. 如果知识库信息不足，可以委婉地说明“我帮您查一下”、“我确认一下”，而不是直接说“我不知道”。
-4. 不要提及“作为AI”、“根据算法”等词，避免暴露机器身份。
-5. 适当使用语气词（如“呢”、“哦”、“哈”）、表情符号（根据品牌调性可选）和人性化的表达（如“我理解”、“您别着急”）。
-6. 回答长度适中，一般不超过3-5句话，如需详细说明可分段落，但保持易读。
-7. 如果问题涉及隐私或敏感信息，请引导客户联系人工客服（如“为了您的账户安全，建议您拨打官方电话...”）。
-
-【知识库内容】
-{evidence_text}
-
-【用户问题】
-{query}
-"""
 
 
 def _get_fallback_results(query: str) -> list[dict]:

ai-service/app/core/prompts.py

@@ -0,0 +1,114 @@
+"""
+Shared prompt templates for AI Service.
+Centralized prompt configuration for consistent AI behavior across all endpoints.
+"""
+
+SYSTEM_PROMPT = """你是一名经验丰富的客服专员，名字叫"小N"。请遵循以下准则：
+像朋友一样聊天：使用自然、口语化的中文，语气亲切有礼貌，就像在和一位老朋友聊天。多使用"咱们"、"您看"、"是不是"这样拉近距离的表达。
+避免生硬罗列：介绍多个信息时，不要用"第一、第二"或分点列举，而是用流畅的段落把它们串联起来。比如："我们这边有几类课程挺受欢迎的，一个是……另外还有……您对哪方面更感兴趣呀？"
+主动引导对话：不要一次性把知识库里的所有内容都倒出来。可以先简单概括，然后问问客户具体想了解什么，比如："您是想提升职场英语，还是有留学方面的打算呢？"
+委婉处理未知：如果知识库里没有答案，别直接说"不知道"，可以说："您稍等，我帮您确认一下"、"这个问题我需要问问同事，马上给您回复"。
+隐藏机器身份：绝不要提及"作为AI"、"根据算法"等词，也避免使用过于官方的术语。就像普通人一样用"我"、"我们"。
+多用语气词和情感表达：适当加入"呢"、"哦"、"哈"、"呀"等语气词，根据情况使用表情符号（😊）。表达理解和关心，比如"我明白您的意思"、"别着急，我们一起看看"。
+保持简洁但有温度：回答一般控制在3-5句话，如果需要详细说明，可以分成小段落，但每段都要口语化，读起来不累。
+隐私与安全提醒：如果客户问到敏感信息（如密码、转账），要温和地引导至人工渠道："为了您的信息安全，建议您拨打官方电话400-xxx-xxxx咨询会更稳妥哦。"""
+
+
+def format_evidence_for_prompt(
+    retrieval_results: list, 
+    max_results: int = 5, 
+    max_content_length: int = 500
+) -> str:
+    """
+    Format retrieval results as evidence text for prompts.
+    
+    Args:
+        retrieval_results: List of retrieval hits. Can be:
+            - dict format: {'content', 'score', 'source', 'metadata'}
+            - RetrievalHit object: with .text, .score, .source, .metadata attributes
+        max_results: Maximum number of results to include
+        max_content_length: Maximum length of each content snippet
+        
+    Returns:
+        Formatted evidence text
+    """
+    if not retrieval_results:
+        return ""
+    
+    evidence_parts = []
+    for i, hit in enumerate(retrieval_results[:max_results]):
+        if hasattr(hit, 'text'):
+            content = hit.text
+            score = hit.score
+            source = getattr(hit, 'source', '知识库')
+            metadata = getattr(hit, 'metadata', {}) or {}
+        else:
+            content = hit.get('content', '')
+            score = hit.get('score', 0)
+            source = hit.get('source', '知识库')
+            metadata = hit.get('metadata', {}) or {}
+        
+        if len(content) > max_content_length:
+            content = content[:max_content_length] + '...'
+        
+        nested_meta = metadata.get('metadata', {})
+        source_doc = nested_meta.get('source_doc', source) if nested_meta else source
+        category = nested_meta.get('category', '') if nested_meta else ''
+        department = nested_meta.get('department', '') if nested_meta else ''
+        
+        header = f"[文档{i+1}]"
+        if source_doc and source_doc != "知识库":
+            header += f" 来源：{source_doc}"
+        if category:
+            header += f" | 类别：{category}"
+        if department:
+            header += f" | 部门：{department}"
+        
+        evidence_parts.append(f"{header}\n相关度：{score:.2f}\n内容：{content}")
+    
+    return "\n\n".join(evidence_parts)
+
+
+def build_system_prompt_with_evidence(evidence_text: str) -> str:
+    """
+    Build system prompt with knowledge base evidence.
+    
+    Args:
+        evidence_text: Formatted evidence from retrieval results
+        
+    Returns:
+        Complete system prompt
+    """
+    if not evidence_text:
+        return SYSTEM_PROMPT
+    
+    return f"""{SYSTEM_PROMPT}
+
+知识库参考内容：
+{evidence_text}"""
+
+
+def build_user_prompt_with_evidence(query: str, evidence_text: str) -> str:
+    """
+    Build user prompt with knowledge base evidence (for single-message format).
+    
+    Args:
+        query: User's question
+        evidence_text: Formatted evidence from retrieval results
+        
+    Returns:
+        Complete user prompt
+    """
+    if not evidence_text:
+        return f"""用户问题：{query}
+
+未找到相关检索结果，请基于通用知识回答用户问题。"""
+    
+    return f"""【系统指令】
+{SYSTEM_PROMPT}
+
+【知识库内容】
+{evidence_text}
+
+【用户问题】
+{query}"""

ai-service/app/services/llm/openai_client.py

@@ -133,6 +133,13 @@ class OpenAIClient(LLMClient):
         body = self._build_request_body(messages, effective_config, stream=False, **kwargs)
 
         logger.info(f"[AC-AISVC-02] Generating response with model={effective_config.model}")
+        logger.info(f"[AC-AISVC-02] ========== FULL PROMPT TO AI ==========")
+        for i, msg in enumerate(messages):
+            role = msg.get("role", "unknown")
+            content = msg.get("content", "")
+            logger.info(f"[AC-AISVC-02] [{i}] role={role}, content_length={len(content)}")
+            logger.info(f"[AC-AISVC-02] [{i}] content:\n{content}")
+        logger.info(f"[AC-AISVC-02] ======================================")
 
         try:
             response = await client.post(
@@ -213,6 +220,13 @@ class OpenAIClient(LLMClient):
         body = self._build_request_body(messages, effective_config, stream=True, **kwargs)
 
         logger.info(f"[AC-AISVC-06] Starting streaming generation with model={effective_config.model}")
+        logger.info(f"[AC-AISVC-06] ========== FULL PROMPT TO AI (STREAMING) ==========")
+        for i, msg in enumerate(messages):
+            role = msg.get("role", "unknown")
+            content = msg.get("content", "")
+            logger.info(f"[AC-AISVC-06] [{i}] role={role}, content_length={len(content)}")
+            logger.info(f"[AC-AISVC-06] [{i}] content:\n{content}")
+        logger.info(f"[AC-AISVC-06] ======================================")
 
         try:
             async with client.stream(

ai-service/app/services/orchestrator.py

@@ -25,6 +25,7 @@ from typing import Any, AsyncGenerator
 from sse_starlette.sse import ServerSentEvent
 
 from app.core.config import get_settings
+from app.core.prompts import SYSTEM_PROMPT, format_evidence_for_prompt
 from app.core.sse import (
     create_error_event,
     create_final_event,
@@ -41,16 +42,6 @@ from app.services.retrieval.base import BaseRetriever, RetrievalContext, Retriev
 logger = logging.getLogger(__name__)
 
 
-OPTIMIZED_SYSTEM_PROMPT = """你是学校智能客服助手，基于提供的知识库内容回答用户问题。
-
-回答要求：
-1. 严格基于提供的知识库内容回答，不要编造信息
-2. 如果知识库中没有相关信息，明确告知用户并建议转人工或稍后重试
-3. 保持专业、友好的语气，回答简洁明了，突出重点
-4. 如果引用知识库内容，请注明来源（如：根据[文档1]...）
-5. 对于时效性问题，请提醒用户注意文档的有效期"""
-
-
 @dataclass
 class OrchestratorConfig:
     """
@@ -59,7 +50,7 @@ class OrchestratorConfig:
     """
     max_history_tokens: int = 4000
     max_evidence_tokens: int = 2000
-    system_prompt: str = OPTIMIZED_SYSTEM_PROMPT
+    system_prompt: str = SYSTEM_PROMPT
     enable_rag: bool = True
     use_optimized_retriever: bool = True
 
@@ -409,31 +400,22 @@ class OrchestratorService:
         )
         logger.debug(f"[AC-AISVC-02] System prompt preview: {system_content[:500]}...")
         
+        logger.info(f"[AC-AISVC-02] ========== ORCHESTRATOR FULL PROMPT ==========")
+        for i, msg in enumerate(messages):
+            role = msg.get("role", "unknown")
+            content = msg.get("content", "")
+            logger.info(f"[AC-AISVC-02] [{i}] role={role}, content_length={len(content)}")
+            logger.info(f"[AC-AISVC-02] [{i}] content:\n{content}")
+        logger.info(f"[AC-AISVC-02] ==============================================")
+
         return messages
 
     def _format_evidence(self, retrieval_result: RetrievalResult) -> str:
         """
         [AC-AISVC-17] Format retrieval hits as evidence text.
-        Optimized format with source attribution and metadata.
+        Uses shared prompt configuration for consistency.
         """
-        evidence_parts = []
+        return format_evidence_for_prompt(retrieval_result.hits, max_results=5, max_content_length=500)
-        for i, hit in enumerate(retrieval_result.hits[:5], 1):
-            metadata = hit.metadata or {}
-            source = metadata.get("metadata", {}).get("source_doc", "知识库")
-            category = metadata.get("metadata", {}).get("category", "")
-            department = metadata.get("metadata", {}).get("department", "")
-            
-            header = f"[文档{i}]"
-            if source and source != "知识库":
-                header += f" 来源：{source}"
-            if category:
-                header += f" | 类别：{category}"
-            if department:
-                header += f" | 部门：{department}"
-            
-            evidence_parts.append(f"{header}\n相关度：{hit.score:.2f}\n内容：{hit.text}")
-        
-        return "\n\n".join(evidence_parts)
 
     def _fallback_response(self, ctx: GenerationContext) -> str:
         """