Recupera y construye el prompt fundamentado
La recuperación funciona: sabes encontrar los artículos correctos. Ahora llega el paso que hace que RAG sea de fiar en lugar de un mentiroso seguro de sí mismo: la fundamentación. Le das al modelo de lenguaje el texto recuperado y le indicas que responda solo a partir de ese texto, y que lo diga cuando la respuesta no esté. El modelo nunca ve tus documentos en bruto; ve el prompt que montas. Así que el prompt es el producto. Esta lección construye ese prompt.
Aquí es donde se ganan o se pierden las alucinaciones. Un bot de soporte que se inventa un plazo de reembolso es peor que inútil: es un riesgo. La solución es un prompt disciplinado con tres partes: los fragmentos recuperados acotados y numerados para que el modelo pueda citarlos, la pregunta del usuario y una salida de emergencia explícita para cuando el contexto no contiene la respuesta.
Escribe una función:
assemble_prompt(query, retrieved_chunks) # -> the full prompt stringDebe, en orden:
- Enunciar la regla de que el asistente responde usando solo el contexto de abajo.
- Incluir esta línea exactamente, carácter a carácter:
If the answer is not in the context, reply exactly: I do not know. - Abrir una sección
CONTEXT:y luego listar cada fragmento numerado y acotado, como[1]seguido del texto del fragmento entre comillas triples, luego[2], etcétera, en el orden dado. - Añadir la pregunta del usuario en una línea
QUESTION:. - Terminar en un turno de respuesta abierto: una línea final
ANSWER:sin nada después, para que el modelo escriba a continuación la respuesta.
La numeración importa: es lo que permite al modelo (y a la próxima lección) citar de qué fuente salió una afirmación. La línea de escape exacta también importa: el código posterior buscará ese marcador preciso para detectar un rechazo, así que una paráfrasis lo rompe todo.
Trata el caso de contexto vacío: si retrieved_chunks está vacío, sigues produciendo un prompt válido (instrucción, la línea de escape, un contexto vacío, la pregunta y el turno de respuesta abierto), y el modelo responderá correctamente con el marcador. La llamada en vivo al LLM no forma parte de este ejercicio; estás construyendo la cadena que recibiría. Pulsa Ejecutar para imprimir un prompt fundamentado y leerlo como lo leería el modelo.
Escribe assemble_prompt(query, retrieved_chunks), que devuelva la cadena completa del prompt fundamentado: una instrucción para responder solo a partir del contexto, la línea exacta If the answer is not in the context, reply exactly: I do not know., una sección CONTEXT: con cada fragmento numerado [1], [2], ... y acotado entre comillas triples en orden, una línea QUESTION: y un turno final abierto ANSWER:. Una lista de fragmentos vacía sigue dando un prompt válido.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.