Recherche + construction du prompt ancré
La recherche fonctionne -- tu sais trouver les bons articles. Vient maintenant le geste qui rend le RAG digne de confiance au lieu d'en faire un menteur sûr de lui : l'ancrage. Tu donnes au modèle de langage le texte récupéré et tu lui ordonnes de répondre uniquement à partir de ce texte, et de le dire quand la réponse n'y est pas. Le modèle ne voit jamais tes documents bruts ; il voit le prompt que tu assembles. Le prompt est donc le produit. Cette leçon construit ce prompt.
C'est là que les hallucinations se gagnent ou se perdent. Un bot de support qui invente un délai de remboursement est pire qu'inutile -- c'est un risque. La solution est un prompt discipliné en trois parties : les morceaux récupérés, encadrés et numérotés pour que le modèle puisse les citer, la question de l'utilisateur, et une sortie de secours explicite pour quand le contexte ne contient pas la réponse.
Écris une fonction :
assemble_prompt(query, retrieved_chunks) # -> the full prompt stringElle doit, dans l'ordre :
- Énoncer la règle : l'assistant répond en utilisant uniquement le contexte ci-dessous.
- Inclure cette ligne exactement, caractère pour caractère :
If the answer is not in the context, reply exactly: I do not know. - Ouvrir une section
CONTEXT:, puis lister chaque morceau numéroté et encadré, comme[1]suivi du texte du morceau entre triples guillemets, puis[2], et ainsi de suite -- dans l'ordre donné. - Ajouter la question de l'utilisateur sur une ligne
QUESTION:. - Finir sur un tour de réponse ouvert -- une dernière ligne
ANSWER:sans rien derrière, pour que le modèle écrive la réponse ensuite.
La numérotation compte : c'est elle qui permet au modèle (et à la leçon suivante) de citer quelle source appuie une affirmation. La ligne de sortie exacte compte aussi -- le code en aval cherchera cette sentinelle précise pour détecter un refus, donc une paraphrase casse tout.
Gère le cas du contexte manquant : si retrieved_chunks est vide, tu produis quand même un prompt valide (l'instruction, la ligne de sortie, un contexte vide, la question et le tour de réponse ouvert) -- le modèle répondra alors correctement avec la sentinelle. Le vrai appel au LLM ne fait pas partie de l'exercice ; tu construis la chaîne qu'il recevrait. Appuie sur Run pour afficher un prompt ancré et le lire comme le modèle le lirait.
Écris assemble_prompt(query, retrieved_chunks) qui renvoie la chaîne complète du prompt ancré : une instruction de ne répondre qu'à partir du contexte, la ligne exacte If the answer is not in the context, reply exactly: I do not know., une section CONTEXT: où chaque morceau est numéroté [1], [2], ... et encadré de triples guillemets, dans l'ordre, une ligne QUESTION:, et un dernier tour ANSWER: laissé ouvert. Une liste de morceaux vide donne quand même un prompt valide.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.