Ambil + Bangun Grounded Prompt
Retrieval bekerja -- kamu bisa menemukan artikel yang tepat. Sekarang saatnya langkah yang membuat RAG bisa dipercaya dan bukan pembohong yang percaya diri: grounding. Kamu memberikan teks yang diambil ke model bahasa dan menginstruksikannya untuk menjawab only dari teks tersebut, dan untuk mengatakannya jika jawabannya tidak ada di sana. Model tidak pernah melihat dokumen mentahmu; ia melihat prompt yang kamu susun. Jadi prompt is adalah produknya. Pelajaran ini membangun prompt tersebut.
Di sinilah halusinasi dimenangkan atau kalah. Bot pendukung yang mengarang jendela pengembalian dana lebih buruk daripada tidak berguna, itu adalah beban. Solusinya adalah prompt yang disiplin dengan tiga bagian: potongan yang diambil dibatasi dan diberi nomor agar model bisa mengutipnya, pertanyaan pengguna, dan escape hatch yang eksplisit untuk saat konteks tidak berisi jawaban.
Tulis satu function:
assemble_prompt(query, retrieved_chunks) # -> the full prompt stringHarus, secara berurutan:
- Nyatakan aturan bahwa asisten menjawab hanya menggunakan konteks di bawah ini.
- Masukkan baris ini persis, karakter demi karakter:
If the answer is not in the context, reply exactly: I do not know. - Buka bagian
CONTEXT:, lalu daftar setiap potongan dengan nomor dan pembatas, seperti[1]diikuti teks potongan di antara tanda kutip tiga, lalu[2], dan seterusnya -- sesuai urutan yang diberikan. - Tambahkan pertanyaan pengguna di baris
QUESTION:. - Akhiri pada giliran jawaban yang terbuka -- sebuah baris
ANSWER:terakhir tanpa apa pun setelahnya, jadi model menulis jawabannya berikutnya.
Penomoran itu penting: ini yang membuat model (dan pelajaran berikutnya) bisa mengutip yang sumber klaim tersebut. Baris escape yang tepat juga penting -- kode selanjutnya akan mencari sentinel presisi itu untuk mendeteksi penolakan, jadi parafrase akan merusak semuanya.
Tangani kasus missing-context: jika retrieved_chunks kosong, kamu tetap menghasilkan prompt yang valid (instruction, escape line, context kosong, question, dan open answer turn) -- model kemudian akan menjawab dengan benar menggunakan sentinel. Pemanggilan LLM secara langsung bukan bagian dari latihan ini; kamu sedang membangun string yang akan diterima model. Tekan Run untuk mencetak prompt yang tergrounding dan membacanya seperti yang dilakukan model.
Tulis assemble_prompt(query, retrieved_chunks) yang mengembalikan string prompt grounded lengkap: instruksi untuk menjawab hanya dari konteks, baris If the answer is not in the context, reply exactly: I do not know. yang tepat, bagian CONTEXT: dengan setiap chunk bernomor [1], [2], ... dan dikurung dalam triple quotes secara berurutan, baris QUESTION:, dan turn ANSWER: terbuka terakhir. Daftar chunk kosong tetap menghasilkan prompt yang valid.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.