നോളജ് ബേസിൽ നിന്ന് ഉത്തരങ്ങൾ സൃഷ്ടിക്കുന്നു (RAG-ൻ്റെ ആമുഖം)

നേട്ടങ്ങൾ:

• വിജ്ഞാനാധിഷ്ഠിത ജനറേഷൻ്റെ (RAG) യുക്തിയും അത് എന്തിനാണ് ഭ്രമാത്മകത കുറയ്ക്കുന്നതെന്നും മനസ്സിലാക്കുന്നു
• നൽകിയിരിക്കുന്ന ഉറവിട രേഖകളെ അടിസ്ഥാനമാക്കി മാത്രം മാതൃകാ ഉദ്ധരണിയോടെ പ്രതികരിക്കാനുള്ള കഴിവ്
• ഉറവിടത്തിൽ ഇല്ലാത്ത ചോദ്യങ്ങൾ സുരക്ഷിതമായി കൈമാറ്റം ചെയ്തുകൊണ്ട് ചോദ്യങ്ങൾ ഉണ്ടാക്കാതെ കൈകാര്യം ചെയ്യാനുള്ള കഴിവ്

ഒരു ഭാഷാ മോഡലിന് ഒരുപാട് "അറിയാം", എന്നാൽ അതിന് നിങ്ങളുടെ കമ്പനിയുടെ ഇന്നത്തെ റിട്ടേൺ പോളിസിയോ നിലവിലെ വില ലിസ്‌റ്റോ ഇന്നലെ മാറിയ ഷിപ്പിംഗ് കരാറോ അറിയില്ല. മോശം, അവൻ അറിയാത്തപ്പോൾ, അവൻ പലപ്പോഴും അത് ഉണ്ടാക്കി വളരെ ആത്മവിശ്വാസം ടോൺ എഴുതുന്നു. ഇത് ഉപഭോക്തൃ സേവനത്തിലെ മാരകമായ പിഴവാണ്: നിങ്ങളുടെ പോളിസി 14 ദിവസമായിരിക്കുമ്പോൾ "30 ദിവസത്തിനുള്ളിൽ റീഫണ്ടുകൾ ഇഷ്യൂ ചെയ്യപ്പെടും" എന്ന് മോഡൽ പറയുന്നു. ഈ വിടവ് അടയ്ക്കുന്ന സമീപനത്തെ RAG എന്ന് വിളിക്കുന്നു: വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച തലമുറ, അതായത്, "വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച ഉൽപ്പാദനം".

ആശയം ലളിതമാണ്: മോഡൽ ചോദ്യത്തിന് ഉത്തരം നൽകുന്നത് മെമ്മറിയിൽ നിന്നല്ല, ആ നിമിഷം അതിൻ്റെ മുന്നിൽ സ്ഥാപിച്ചിരിക്കുന്ന ശരിയായ ഉറവിട രേഖകളിൽ നിന്നാണ്. ആദ്യം, ചോദ്യത്തിന് പ്രസക്തമായ രേഖയുടെ ശരിയായ ഭാഗം "വീണ്ടെടുക്കൽ" ആണ്, തുടർന്ന് മോഡൽ ആ ഭാഗത്തെ അടിസ്ഥാനമാക്കി മാത്രം ഉത്തരം "ജനറേറ്റ്" ചെയ്യുന്നു. ഈ യൂണിറ്റിൽ, നിങ്ങൾ RAG-ൻ്റെ ലോജിക് മനസ്സിലാക്കുകയും മോഡലിനെ എങ്ങനെ നിയന്ത്രിക്കാമെന്ന് മനസിലാക്കുകയും ചെയ്യും, അതുവഴി നിങ്ങൾ നൽകുന്ന പരിശോധിച്ച ഉറവിടത്തിൽ മാത്രം അത് ഉറച്ചുനിൽക്കും.

കുറിപ്പ്: ഈ യൂണിറ്റ് RAG-ൻ്റെ പ്രവർത്തന ലോജിക്കും പ്രോംപ്റ്റ് വശവും പഠിപ്പിക്കുന്നു. എൻ്റർപ്രൈസ് സ്കെയിൽ ഓട്ടോമാറ്റിക് ഡോക്യുമെൻ്റ് വീണ്ടെടുക്കൽ സിസ്റ്റങ്ങൾക്ക് (വെക്റ്റർ ഡാറ്റാബേസ് മുതലായവ) ഒരു സാങ്കേതിക ഇൻസ്റ്റാളേഷൻ ആവശ്യമാണ്; ഇവിടെ അച്ചടക്കമാണ് ആ സംവിധാനത്തിന് ശരിയായി പ്രതികരിക്കാനുള്ള അടിസ്ഥാനം.

എന്തുകൊണ്ടാണ് RAG ഭ്രമാത്മകത കുറയ്ക്കുന്നത്?

മോഡൽ അയഥാർത്ഥമായ വിവരങ്ങൾ യഥാർത്ഥമായത് പോലെ ഉൽപ്പാദിപ്പിക്കുന്നതാണ് ഹാലൂസിനേഷൻ. ഒരു വിടവ് കാണുമ്പോൾ "സാധ്യമെന്ന്" തോന്നുന്ന ഒരു പ്രതികരണം സൃഷ്ടിക്കാൻ മോഡൽ പ്രോഗ്രാം ചെയ്‌തിരിക്കുന്നു; അത് സത്യമാണോ അല്ലയോ എന്ന് അറിയില്ല. RAG ഈ വിടവ് നികത്തുന്നു: നിങ്ങൾ മോഡലിന് ചോദ്യത്തോടൊപ്പം യഥാർത്ഥ പ്രസക്തമായ വാചകം നൽകുകയും "ഇവിടെ നിന്ന് ഉത്തരം മാത്രം" പറയുകയും ചെയ്യുക. ഈ രീതിയിൽ മോഡൽ അനുയോജ്യമാകാൻ "ആവശ്യമില്ല".

മൂന്ന് ഘടകങ്ങളുണ്ട്:

• അറിവിൻ്റെ അടിസ്ഥാനം: പതിവുചോദ്യങ്ങൾ, പോളിസി ഡോക്യുമെൻ്റുകൾ, ഉൽപ്പന്ന മാനുവലുകൾ, വില ലിസ്റ്റുകൾ തുടങ്ങിയ വിശ്വസനീയമായ പാഠങ്ങൾ.
• വീണ്ടെടുക്കൽ: ചോദ്യത്തിനുള്ള ഉത്തരം അടങ്ങിയ രേഖയുടെ ഭാഗം കണ്ടെത്തി അത് മോഡലിന് നൽകുന്നു.
• ലിമിറ്റഡ് എഡിഷൻ: നൽകിയ ഭാഗത്തെ മാത്രം അടിസ്ഥാനമാക്കി ഉദ്ധരണിയോടെ മോഡൽ പ്രതികരിക്കുന്നു.

ഘട്ടം ഘട്ടമായി: ഉറവിടത്തോടുള്ള വിശ്വസ്ത പ്രതികരണം

1. ഉറവിടം തയ്യാറാക്കുക. പ്രതികരണം അടിസ്ഥാനമാക്കിയുള്ള വാചകം (നയം, പതിവുചോദ്യങ്ങൾ) വ്യക്തവും കാലികവുമായ ഫോർമാറ്റിൽ കണ്ടെത്തുക.
2. പ്രോംപ്റ്റിൽ ഉറവിടം ഉൾച്ചേർക്കുക. <source> പോലെയുള്ള ഒരു ടാഗിൽ ടെക്സ്റ്റ് ഇടുക.
3. ലോയൽറ്റി റൂൾ എഴുതുക. "ഉറവിടത്തിൽ നിന്നുള്ള വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക; ഉറവിടത്തിൽ നിന്ന് വ്യതിചലിക്കരുത്."
4. അവലംബം ആവശ്യപ്പെടുക. ഉത്തരം ഏത് വിഭാഗത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് അവൻ/അവൾ സൂചിപ്പിക്കട്ടെ.
5. നോൺ-റിസോഴ്സ് സ്വഭാവം തിരിച്ചറിയുക. ഉത്തരം ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, "എനിക്ക് ഈ വിവരങ്ങൾ ഇല്ല" എന്ന് പറഞ്ഞ് അത് കൈമാറട്ടെ.
6. സ്ഥിരീകരിക്കുക. ഉത്തരം അടിസ്ഥാനമാക്കിയുള്ള ഉറവിട വാക്യവുമായി താരതമ്യം ചെയ്തുകൊണ്ട് ഉത്തരം സ്ഥിരീകരിക്കുക.

പകർത്താവുന്ന നിർദ്ദേശങ്ങൾ

അടിസ്ഥാന ഉറവിടത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രതികരണ പ്രോംപ്റ്റ്:

റോൾ: നിങ്ങളൊരു കസ്റ്റമർ സപ്പോർട്ട് അസിസ്റ്റൻ്റാണ്. ചുവടെയുള്ള <source>ബ്ലോക്കിലെ വിവരങ്ങളെ അടിസ്ഥാനമാക്കി മാത്രം ചോദ്യത്തിന് ഉത്തരം നൽകുക. ഉറവിടത്തിൽ ഇല്ലാത്ത വിവരങ്ങളൊന്നും ചേർക്കരുത്, നിങ്ങളുടെ പൊതുവിജ്ഞാനത്തിൽ നിന്ന് ഊഹിക്കുകയോ ഉത്തരം നൽകുകയോ ചെയ്യുക. നിങ്ങളുടെ ഉത്തരത്തിൻ്റെ അവസാനം "[ഉറവിടം: ...]" ഫോർമാറ്റിൽ നിങ്ങൾ ആശ്രയിക്കുന്ന വിഭാഗം ചേർക്കുക. ഉറവിടത്തിൽ ഉത്തരം ഇല്ലെങ്കിൽ, ഇനിപ്പറയുന്നവ എഴുതുക: "ഈ വിഷയത്തിൽ എനിക്ക് കൃത്യമായ വിവരങ്ങൾ ഇല്ല, ശരിയായ ഉത്തരം നൽകാൻ കഴിയുന്ന ഒരു ഉദ്യോഗസ്ഥനിലേക്ക് ഞാൻ നിങ്ങളെ മാറ്റുകയാണ്."<source>{{ policy_or_faq_text }}</source>ചോദ്യം: {{ customer_question }}

മൾട്ടി-സോഴ്സ് ആണെങ്കിൽ, അത് ഏത് രേഖയെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് കാണിക്കാനുള്ള നിർദ്ദേശം:

താഴെ അക്കമിട്ടിരിക്കുന്ന ഒന്നിലധികം ഉറവിടങ്ങളുണ്ട്. ചോദ്യത്തിന് ഉത്തരം നൽകുമ്പോൾ, [ഉറവിടം 2] പോലെ നിങ്ങൾ ഉപയോഗിച്ച ഉറവിടത്തിൻ്റെ നമ്പർ പ്രസ്താവിക്കുക. ഒന്നിൽക്കൂടുതൽ ഉറവിടങ്ങൾ നിങ്ങൾക്ക് വിരുദ്ധമാണെങ്കിൽ, വ്യക്തമായി പറയുകയും ഏതാണ് കൂടുതൽ കാലികമെന്ന് പറയുകയും ചെയ്യുക.<sources>1) {{ source_1 }}2) {{ source_2 }}3) {{ source_3 }}</sources>ചോദ്യം: {{ customer_question }}

ഉറവിടേതര ചോദ്യം സുരക്ഷിതമായി കൈകാര്യം ചെയ്യുന്ന പ്രോംപ്റ്റ്:

ചോദ്യത്തിനുള്ള ഉത്തരം ഭാഗികമായി ഉറവിടത്തിൽ കണ്ടെത്തിയാൽ: ഉറവിടം ഉൾക്കൊള്ളുന്ന ഭാഗത്തിന് മാത്രം ഉത്തരം നൽകുക, ശേഷിക്കുന്ന ഭാഗത്തിന് "ഈ വിശദാംശങ്ങൾ ഉറവിടത്തിൽ ഇല്ല" എന്ന് പറയുക. നഷ്‌ടപ്പെട്ട ഭാഗം ഒരിക്കലും ഊഹിച്ച് പൂരിപ്പിക്കരുത്.

പ്രതികരണത്തെ ക്ലയൻ്റ് ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യുന്ന പ്രോംപ്റ്റ്, എന്നാൽ ഉറവിടത്തോട് സത്യസന്ധത പുലർത്തുന്നു:

ഉറവിടത്തിലെ ഔദ്യോഗിക/സാങ്കേതിക പദപ്രയോഗം ഉപഭോക്താവിന് മനസ്സിലാക്കാൻ കഴിയുന്ന ലളിതമായ ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യുക, എന്നാൽ അർത്ഥവും സംഖ്യാ മൂല്യങ്ങളും (ദിവസം, തുക, നിരക്ക്) മാറ്റരുത്. ഉദാഹരണത്തിന്, "14 കലണ്ടർ ദിവസങ്ങൾ" എന്നത് "ഏകദേശം രണ്ടാഴ്ച" എന്നതിലേക്ക് റൗണ്ട് ചെയ്യുക; മുഴുവൻ മൂല്യവും നിലനിർത്തുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്

ശക്തമായ പ്രോംപ്റ്റ്

"ഞങ്ങളുടെ റിട്ടേൺ പോളിസിയെക്കുറിച്ച് ഞങ്ങളോട് പറയുക"

ഉറവിടം + "ഇവിടെ മാത്രം മറുപടി നൽകുക" + അഭ്യർത്ഥനകളുടെ ഉദ്ധരണി ഉൾച്ചേർക്കുന്നു

മോഡലിൻ്റെ മെമ്മറിയിൽ നിന്നുള്ള ഉത്തരം (ഒരുപക്ഷേ തെറ്റായിരിക്കാം)

നിങ്ങളുടെ നിലവിലെ പ്രമാണത്തിൽ നിന്നുള്ള ഉത്തരം

അത് ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, അവൻ അത് ഉണ്ടാക്കുന്നു

"എനിക്ക് ഈ വിവരം ഇല്ല" എന്ന് പറഞ്ഞ് അവൻ അത് കൈമാറുന്നു.

സംഖ്യകൾ റൗണ്ട് ചെയ്യാനും വളച്ചൊടിക്കാനും കഴിയും

ദിവസം/തുക/നിരക്ക് കൃത്യമായി നിലനിർത്തുന്നു

വ്യത്യാസം എന്തെന്നാൽ, ശക്തമായ പ്രോംപ്റ്റ് മോഡലിന് ഒരു ആങ്കറും (സോഴ്‌സ് ടെക്‌സ്‌റ്റ്) ഒരു നിരോധനവും (ഉറവിടം വിട്ടുപോകുന്നത്) നൽകുന്നു. മോഡൽ ഇപ്പോൾ സംസാരിക്കുന്നത് ഓർമ്മയിൽ നിന്നല്ല, മറിച്ച് അവൻ്റെ മുന്നിലുള്ള യാഥാർത്ഥ്യത്തിൽ നിന്നാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - പഴയ നയ കെണി. "30 ദിവസത്തിനുള്ളിൽ റിട്ടേണുകൾ സ്വീകരിച്ചു," ഒരു കടയുടെ ബോട്ട് ക്രെഡിറ്റ് ഇല്ലാതെ പ്രവർത്തിക്കുമ്പോൾ പറഞ്ഞു; എന്നാൽ കമ്പനി ഈ കാലയളവ് 14 ദിവസമാക്കി കുറച്ചു. RAG ഇൻസ്റ്റാളേഷനിൽ അപ്ഡേറ്റ് ചെയ്ത പോളിസി ടെക്സ്റ്റ് ഉറവിടത്തിലേക്ക് ചേർക്കുമ്പോൾ, ബോട്ട് ഇപ്പോൾ "14 കലണ്ടർ ദിവസങ്ങൾ [ഉറവിടം: റിട്ടേൺ പോളിസി, ആർട്ടിക്കിൾ 2]" എന്ന് പ്രതികരിക്കുന്നു. തെറ്റായ വാഗ്ദാനങ്ങളിൽ നിന്ന് ഉടലെടുത്ത റീഫണ്ട് തർക്കങ്ങൾ പുനഃക്രമീകരിച്ചു.

കേസ് 2 - വൈരുദ്ധ്യം പിടിക്കുന്നു. ഒരു ഉപഭോക്താവ് ഷിപ്പിംഗ് ചെലവിനെക്കുറിച്ച് ചോദിച്ചു. പഴയതും പുതിയതുമായ വില ലിസ്റ്റുകൾ സ്രോതസ്സുകളായി സിസ്റ്റത്തിൽ പ്രവേശിച്ചു. മൾട്ടി-സോഴ്‌സ് പ്രോംപ്റ്റിന് നന്ദി, മോഡൽ പറഞ്ഞു, "രണ്ട് ഉറവിടങ്ങൾ വ്യത്യസ്ത വിലകൾ നൽകുന്നു (49 TL, 59 TL); എനിക്ക് നിലവിലുള്ളത് സ്ഥിരീകരിക്കേണ്ടതുണ്ട്" കൂടാതെ പ്രശ്നം മനുഷ്യനെ അറിയിക്കുകയും ചെയ്തു. ഒരു തെറ്റായ തുക ഉപഭോക്താവിനോട് പറയുന്നതിനുപകരം, അദ്ദേഹം അനിശ്ചിതത്വം സത്യസന്ധമായി അറിയിച്ചു.

കേസ് 3 - ഭാഗിക പ്രതികരണ അച്ചടക്കം. "നിങ്ങൾ ഉൽപ്പന്നം വിദേശത്തേക്ക് അയയ്ക്കുന്നുണ്ടോ, ആരാണ് കസ്റ്റംസ് തീരുവ അടയ്ക്കുന്നത്?" ചോദ്യത്തിൽ, കയറ്റുമതി ചെയ്തുവെന്ന് മാത്രമാണ് ഉറവിടം പറഞ്ഞത്, ആരാണ് നികുതി അടച്ചത് എന്നതിനെക്കുറിച്ച് ഒന്നുമില്ല. മോഡൽ പറഞ്ഞു, "അതെ, ഷിപ്പിംഗ് ചെയ്യുന്നത് വിദേശത്താണ് [ഉറവിടം: കാർഗോ പതിവ് ചോദ്യങ്ങൾ]. എന്നിരുന്നാലും, ആരാണ് കസ്റ്റംസ് ഡ്യൂട്ടി അടയ്ക്കുന്നതെന്ന് ഈ പ്രമാണത്തിൽ പറഞ്ഞിട്ടില്ല; ഇത് വ്യക്തമാക്കാൻ ഞാൻ നിങ്ങളെ ഉദ്യോഗസ്ഥന് കൈമാറുന്നു." പകുതി സത്യവും പകുതി കെട്ടിച്ചമച്ചതുമായ ഉത്തരത്തിനുപകരം, അത് സത്യസന്ധവും ആത്മവിശ്വാസമുള്ളതുമായ ഒരു ഔട്ട്പുട്ട് ഉണ്ടാക്കി.

നുറുങ്ങ്: നിങ്ങളുടെ വിജ്ഞാന അടിത്തറയുടെ ഏറ്റവും നിലവിലുള്ളതും ഏകവുമായ സത്യ പതിപ്പ് സൂക്ഷിക്കുക. മൂന്ന് വ്യത്യസ്ത രേഖകളിൽ ഒരേ വിവരങ്ങൾ (ഉദാ. റിട്ടേൺ പിരീഡ്) വ്യത്യസ്തമായി എഴുതിയിരിക്കുന്നത് RAG-ൻ്റെ ഏറ്റവും വലിയ ശത്രുവാണ്; ഏത് മോഡൽ നോക്കുന്നു എന്നതിനെ ആശ്രയിച്ച് മോഡൽ വ്യത്യസ്തമായി പ്രതികരിക്കുന്നു. ആദ്യം നിങ്ങളുടെ പ്രമാണങ്ങൾ ഡ്യൂപ്ലിക്കേറ്റ് ചെയ്യുക, തുടർന്ന് അവ ഓട്ടോമേറ്റ് ചെയ്യുക.

സ്ഥിരീകരണം: ഉറവിടം ഉള്ളതുകൊണ്ട് മാത്രം വിശ്രമിക്കരുത്

RAG ഹാലുസിനേഷനെ വളരെയധികം കുറയ്ക്കുന്നു, പക്ഷേ അത് പുനഃസജ്ജമാക്കുന്നില്ല. മോഡൽ ചിലപ്പോൾ ഉറവിടത്തെ തെറ്റായി വ്യാഖ്യാനിക്കുകയോ രണ്ട് വാക്യങ്ങൾ കൂട്ടിയോജിപ്പിക്കുകയോ ഉറവിടത്തിൽ ഇല്ലാത്ത ഒരു "ഉപസംഹാരം" വരയ്ക്കുകയോ ചെയ്തേക്കാം. അതുകൊണ്ടാണ് ഉദ്ധരണി ആവശ്യകത നിർണായകമായത്: ഉത്തരം അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് അവകാശപ്പെടുന്ന വിഭാഗം തുറന്ന് അത് യഥാർത്ഥത്തിൽ അങ്ങനെയാണോ പറയുന്നതെന്ന് പരിശോധിക്കുക. ഈ നിയന്ത്രണം വിലമതിക്കാനാവാത്തതാണ്, പ്രത്യേകിച്ച് നമ്പറുകളും (ദിവസം, തുക, നിരക്ക്) വ്യവസ്ഥകളും (ഒഴിവാക്കൽ, വ്യവസ്ഥ) അടങ്ങിയിരിക്കുന്ന പ്രതികരണങ്ങളിൽ.

മുന്നറിയിപ്പ്: ഉറവിടം തന്നെ തെറ്റോ കാലഹരണപ്പെട്ടതോ ആണെങ്കിൽ, RAG ആ തെറ്റ് വിശ്വസ്തതയോടെ ആവർത്തിക്കുന്നു. "മാതൃക ഉറവിടത്തിൽ നിന്ന് സംസാരിക്കുന്നു" എന്ന് പറയുന്നത് "മാതൃക ശരിയായി സംസാരിക്കുന്നു" എന്നല്ല; നിങ്ങളുടെ ഉറവിടത്തിൻ്റെ കറൻസിക്കും കൃത്യതയ്ക്കും നിങ്ങൾ ഉത്തരവാദിയാണ്.

പ്രതികരണത്തിനായി വിജ്ഞാന അടിത്തറ തയ്യാറാക്കുക

RAG-ൻ്റെ ഗുണമേന്മ പ്രധാനമായും ഉറവിട വാചകം എങ്ങനെ എഴുതുന്നു എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു. നല്ല ഘടനാപരമായ, ശീർഷകമുള്ള, ഒറ്റ-വിഷയ വാചകങ്ങളേക്കാൾ വളരെ കൃത്യമായ പ്രതികരണം മോഡൽ നൽകുന്നു. പ്രായോഗിക ഉപദേശം: ദൈർഘ്യമേറിയതും കൂട്ടിച്ചേർത്തതുമായ ഖണ്ഡികകളേക്കാൾ ഹ്രസ്വവും തലക്കെട്ടുള്ളതുമായ വിഭാഗങ്ങളിൽ നിങ്ങളുടെ നയങ്ങൾ എഴുതുക; ഓരോ വിഭാഗവും ഒരൊറ്റ ചോദ്യത്തിന് ഉത്തരം നൽകട്ടെ ("റിട്ടേൺ പിരീഡ് എത്ര ദിവസമാണ്?", "ഏത് ഉൽപ്പന്നങ്ങൾ തിരികെ നൽകാൻ കഴിയില്ല?"). പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ (FAQ) ഒരു ചോദ്യോത്തര ഫോർമാറ്റിൽ സൂക്ഷിക്കുന്നത് മോഡലിന് ശരിയായ ഭാഗം കണ്ടെത്തുന്നത് എളുപ്പമാക്കുന്നു. തീയതി, തുക, നിരക്ക് എന്നിവ പോലുള്ള സംസ്ഥാന മൂല്യങ്ങൾ വാചകത്തിനുള്ളിൽ വ്യക്തമായും ഒരിടത്തും; വ്യത്യസ്ത വിഭാഗങ്ങളിൽ ഒരേ നമ്പർ വ്യത്യസ്തമായി എഴുതുന്നത് മോഡലിനെ ആശയക്കുഴപ്പത്തിലാക്കുന്നു.

അറിവിൻ്റെ അടിത്തറ നിലനിർത്തുക എന്നതാണ് മറ്റൊരു പ്രധാന ശീലം. നയങ്ങളും വിലകളും പ്രമോഷനുകളും വ്യത്യസ്തമാണ്; ഉറവിടം അപ്ഡേറ്റ് ചെയ്തില്ലെങ്കിൽ, മോഡൽ പഴയ സത്യം ആവർത്തിക്കുന്നത് തുടരുന്നു. ഓരോ നയം മാറുമ്പോഴും, ഉറവിടം അപ്‌ഡേറ്റ് ചെയ്യുകയും ശരിയായ ഉത്തരം നൽകുന്നുവെന്ന് സ്ഥിരീകരിക്കാൻ, മാറിയ വിഷയത്തെക്കുറിച്ചുള്ള കുറച്ച് ടെസ്റ്റ് ചോദ്യങ്ങൾ മോഡലിനോട് വീണ്ടും ചോദിക്കുകയും ചെയ്യുക. ഈ ചെറുതും എന്നാൽ പതിവ് അറ്റകുറ്റപ്പണിയും RAG സിസ്റ്റത്തെ കാലക്രമേണ "നിശബ്ദമായി തെറ്റായി പോകുന്നതിൽ" നിന്ന് തടയുന്നു.

സാധാരണ തെറ്റുകൾ

• ഉറവിടം കുഴിച്ചിടാതെയും മോഡലിൻ്റെ മനഃപാഠത്തെ ആശ്രയിക്കാതെയും "ഞങ്ങളുടെ നയം വിശദീകരിക്കുക" എന്ന് പറയുന്നത്.
• "ഉറവിടത്തിൽ നിന്ന് മാത്രം മറുപടി" അതിർത്തിയും ഉറവിടമല്ലാത്ത പെരുമാറ്റവും നിർവചിക്കുന്നില്ല.
• ഒരു ഉദ്ധരണി/ഉറവിട റഫറൻസ് അഭ്യർത്ഥിക്കാതെയും ഉത്തരം പരിശോധിച്ചുറപ്പിക്കാനാകാതെ വിടുകയും ചെയ്യുന്നു.
• വിജ്ഞാന അടിത്തറയിൽ ഒന്നിലധികം രേഖകളിൽ ഒരേ വിവരങ്ങളുടെ വൈരുദ്ധ്യമുള്ള പതിപ്പുകൾ സൂക്ഷിക്കുന്നു.
• സംഖ്യാ മൂല്യങ്ങൾ റൗണ്ട്/വ്യാഖ്യാനം ചെയ്യാൻ മോഡലിനെ അനുവദിക്കുന്നു.
• ഉറവിടം അപ്‌ഡേറ്റ് ചെയ്യാൻ മറക്കുന്നത്, മോഡൽ പഴയ വിവരങ്ങൾ വിശ്വസ്തതയോടെ ആവർത്തിക്കുന്നതിന് കാരണമാകുന്നു.

ചുരുക്കത്തിൽ

• RAG എന്നാൽ മോഡൽ അതിൻ്റെ ഉത്തരം മെമ്മറിയിൽ നിന്നല്ല, നിലവിലുള്ള സോഴ്സ് ഡോക്യുമെൻ്റിൽ നിന്ന് ഉത്പാദിപ്പിക്കുന്നു എന്നാണ് അർത്ഥമാക്കുന്നത്.
• ഭ്രമാത്മകത കുറയ്ക്കുന്നതിനുള്ള ഏറ്റവും പ്രായോഗിക മാർഗം: ഉറവിടം കുഴിച്ചിടുക, "ഇവിടെ മറുപടി നൽകുക" എന്ന് പറയുക, അവലംബം ആവശ്യപ്പെടുക.
• ഉത്തരം ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, ഒരാൾ ഒരു മാതൃകയുമായി പൊരുത്തപ്പെടരുത്; "എനിക്കില്ല" എന്ന് പറഞ്ഞ് ഏൽപ്പിക്കണം.
• പരസ്പരവിരുദ്ധമായ ഉറവിടങ്ങളെക്കുറിച്ച് മോഡലിനെ ബോധവാന്മാരാക്കുക; നിങ്ങൾ സംഖ്യാ മൂല്യങ്ങൾ കൃത്യമായി സംരക്ഷിച്ചു.
• RAG കൃത്യത നിങ്ങളുടെ ഉറവിടത്തിൻ്റെ സമയബന്ധത്തെ ആശ്രയിച്ചിരിക്കുന്നു; എപ്പോഴും ഉദ്ധരണി സ്ഥിരീകരിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ സ്വന്തം ബിസിനസ്സിൽ നിന്ന് ഒരു യഥാർത്ഥ പോളിസി ടെക്‌സ്‌റ്റ് (റിട്ടേൺ, ഷിപ്പിംഗ് അല്ലെങ്കിൽ അംഗത്വം) എടുത്ത് മുകളിലുള്ള അടിസ്ഥാന RAG പ്രോംപ്റ്റിൽ ഒരു ഉറവിടമായി ഉൾപ്പെടുത്തുക. തുടർന്ന് മൂന്ന് ചോദ്യങ്ങൾ ചോദിക്കുക: (1) ഉറവിടത്തിൽ വ്യക്തമായ ഉത്തരം ഉള്ള ഒരു ചോദ്യം, (2) ഉറവിടത്തിൽ ഉത്തരം ഇല്ലാത്ത ഒരു ചോദ്യം, (3) ഉറവിടത്തിൽ മാത്രം അപൂർണ്ണമായ ഉത്തരം. മോഡൽ ശരിയായി ഉത്തരം നൽകുന്നുവെന്നും “എനിക്കത് ഇല്ല” എന്നും യഥാക്രമം ഭാഗിക ഉത്തരവും വിട്ടുപോയവയും സത്യസന്ധമായി അടയാളപ്പെടുത്തുന്നുവെന്നും പരിശോധിക്കുക. പ്രോംപ്റ്റിലെ ലോയൽറ്റിയും നോൺ-റിസോഴ്‌സ് നിയമങ്ങളും ശക്തിപ്പെടുത്തുന്നതിലൂടെ വ്യതിചലിച്ച പെരുമാറ്റം ശരിയാക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പ്രോംപ്റ്റിൽ പ്രതികരണം അടിസ്ഥാനമാക്കിയുള്ള നിലവിലെ ഉറവിടം ഞാൻ ഉൾച്ചേർത്തു.
• [ ] "ഉറവിടത്തിൽ നിന്നുള്ള മറുപടി മാത്രം, അപ്പുറം പോകരുത്" എന്ന നിയമം ഞാൻ ചേർത്തു.
• [ ] ഞാൻ ഒരു ഉറവിട റഫറൻസ് / അവലംബം ആവശ്യമാണ്.
• [ ] ഉത്തരം ഉറവിടത്തിൽ ലഭ്യമല്ലെങ്കിൽ ഡെലിഗേഷൻ സ്വഭാവം ഞാൻ നിർവ്വചിച്ചു.
• [] സംഖ്യാ മൂല്യങ്ങൾ കൃത്യമായി സംരക്ഷിക്കണമെന്ന് ഞാൻ ആവശ്യപ്പെട്ടു.
• [ ] അത് അടിസ്ഥാനമാക്കിയുള്ള ഉറവിട വാക്യത്തിൽ നിന്നുള്ള ഉത്തരം ഞാൻ സ്ഥിരീകരിച്ചു.