今天把 RAG 取回的多段結果（result 陣列），在 LLM 端用 map + join 合併，並用「政策型 System Prompt」強化可溯源與行動化。

4. LLM（政策型 System Prompt）

在 LLM 節點的 System 內貼這段（支援 Jinja2）：

你是災害應變中心主任。所有建議必須基於下列手冊片段（不得捏造），條列清晰、語氣中立。

【輸入】
- 災害類型：{{inputs.weather}}
- 地點：{{inputs.Location}}
- 描述：{{inputs.description}}

【依據片段（RAG 合併）】
{{ retriever.result | map(attribute='content') | join('\n\n---\n') }}

【輸出格式】
# 災害類型確認
- 類型：{{inputs.weather}}（人工選擇）
- 地點：{{inputs.Location}}

# 緊急應變清單（優先序）
1) 具體動作與條件
2) …
3) …

# 資源調度建議
- 聯絡：單位／職責／聯絡方式
- 物資：項目／數量／配置原則

# 參考依據
- 請列出引用章節或標題；若無法定位，說明原因

# 限制與注意
- 依據不足時，明確說明不確定因素，並提供保守作法

參數建議

Temperature：0.2–0.4（穩定、少發散）

Max tokens：1024–2048（視報告長度）

為什麼用 map + join？

retriever.result 是 分段陣列（每段含 content/title/url）。

map(attribute='content') 抽出每段內容；join('\n\n---\n') 以分隔線拼接，便於模型閱讀且保留段落邏輯。

好處：不需額外節點，讓 System 直接拿到可閱讀的依據。

最後這邊補充一個好用的模型，只要申請面費的API即可