Temario Lección 214 de 250 · Proyecto: copiloto de atención al cliente
Proyecto: copiloto de atención al cliente

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 string

Debe, 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.

Tu turno

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.