ഹാലുസിനേഷൻ റിഡക്ഷൻ, റിസോഴ്സ് റെപ്രസെൻ്റേഷൻ

നേട്ടങ്ങൾ:

• ഹാലുസിനേഷൻ്റെ കാരണങ്ങളും ഗ്രൗണ്ടിംഗിൻ്റെ പങ്കും വിശദീകരിക്കുക
• സന്ദർഭത്തിലല്ലെങ്കിൽ 'എനിക്കറിയില്ല' എന്ന് മോഡലിനെ പ്രേരിപ്പിക്കുന്ന സാങ്കേതിക വിദ്യകൾ പ്രയോഗിക്കുന്നു
• പ്രതികരണങ്ങളിൽ സ്ഥിരീകരിക്കാവുന്ന ഉറവിടങ്ങൾ/അവലംബങ്ങൾ ചേർത്തുകൊണ്ട് വിശ്വാസവും ഓഡിറ്റബിലിറ്റിയും ഉറപ്പാക്കുന്നു

ഒരു ഭാഷാ മാതൃകയുടെ ഏറ്റവും അപകടകരമായ പെരുമാറ്റം തനിക്ക് അറിയാത്ത എന്തെങ്കിലും ആത്മവിശ്വാസവും ബോധ്യപ്പെടുത്തുന്നതുമായ സ്വരത്തിൽ ഉണ്ടാക്കുക എന്നതാണ്. ഇതിനെ ഹാലുസിനേഷൻ എന്ന് വിളിക്കുന്നു. ഒരു കോർപ്പറേറ്റ് അസിസ്റ്റൻ്റിൽ ഭ്രമിപ്പിക്കുന്നത് കേവലം ശല്യപ്പെടുത്തുന്ന കാര്യമല്ല, അത് തീർത്തും അപകടകരമാണ്: തെറ്റായ അവധി, തെറ്റായ വില, തെറ്റായ നിയമപരമായ വസ്തുക്കൾ യഥാർത്ഥത്തിൽ ഒരു ജീവനക്കാരനെയോ ഉപഭോക്താവിനെയോ ദോഷകരമായി ബാധിക്കും. ഈ യൂണിറ്റിൽ, എന്തുകൊണ്ടാണ് ഭ്രമാത്മകത ഉണ്ടാകുന്നത്, RAG-ൽ അവ എങ്ങനെ കുറയ്ക്കാം, ഉത്തരം എങ്ങനെ പരിശോധിക്കാം എന്നിവ ഞങ്ങൾ കവർ ചെയ്യുന്നു.

എന്താണ് ഭ്രമാത്മകതയ്ക്ക് കാരണമാകുന്നത്?

അടുത്ത ഏറ്റവും സാധ്യതയുള്ള വാക്ക് നിർമ്മിക്കാൻ മോഡൽ പരിശീലിപ്പിച്ചിരിക്കുന്നു; "സത്യം പറയുക" എന്നല്ല, "പ്രാപ്‌തവും ന്യായയുക്തവുമായ വാചകം നിർമ്മിക്കുക". വിവരങ്ങൾ നഷ്‌ടമായാൽ, സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് വിശ്വസനീയവും എന്നാൽ വസ്തുതാപരമായി തെറ്റും കൊണ്ട് വിടവ് നികത്താനാകും. മൂന്ന് സാധാരണ ട്രിഗറുകൾ:

• സന്ദർഭത്തിൽ ഉത്തരമില്ല, എന്തായാലും എന്തെങ്കിലും പറയാൻ മോഡൽ നിർബന്ധിതനാകുന്നു.
• സന്ദർഭം പരസ്പരവിരുദ്ധമാണ് അല്ലെങ്കിൽ അപര്യാപ്തമാണ്; പ്രവചനത്തിലൂടെ മോഡൽ വിടവ് അടയ്ക്കുന്നു.
• ചോദ്യം സന്ദർഭത്തിനപ്പുറം പോകുന്നു; മോഡൽ അതിൻ്റെ പൊതുവായ (ഒരുപക്ഷേ കാലഹരണപ്പെട്ട) അറിവിലേക്ക് മടങ്ങുന്നു.

RAG ഭ്രമാത്മകത കുറയ്ക്കുന്നു, കാരണം അത് മോഡലിന് യഥാർത്ഥ ഉറവിടം നൽകുന്നു - പക്ഷേ അത് പുനഃസജ്ജമാക്കുന്നില്ല. നിങ്ങൾ തെറ്റായ ഭാഗം കൊണ്ടുവരികയോ അല്ലെങ്കിൽ "വിടവ് നികത്താനുള്ള സ്വാതന്ത്ര്യം" എന്ന മോഡൽ ഉപേക്ഷിക്കുകയോ ചെയ്താൽ, RAG ഉള്ള സിസ്റ്റത്തിനും അത് അനുയോജ്യമാകും.

ഹാലുസിനേഷൻ തരം

ലക്ഷണം

മൂലകാരണം

പരിഹാരം പാളി

വീണ്ടെടുക്കലിൽ നിന്ന് ഉത്ഭവിക്കുന്നത്

കൃത്യമായ ഉത്തരം രേഖയിലുണ്ടെങ്കിലും എത്തിയില്ല

തെറ്റായ/കാണാതായ ഭാഗം കൈമാറി

ചങ്കിംഗ്, ഹൈബ്രിഡ്, റീ-റാങ്കിംഗ് (യൂണിറ്റ് 3-4)

ജനറേഷൻ ഉറവിടം

ശരിയായ ഭാഗം വന്നെങ്കിലും ഉത്തരം തെറ്റാണ്/ചേർക്കേണ്ടതാണ്

പ്രവചനത്തിലൂടെ മോഡൽ വിടവ് നികത്തി

ഗ്രൗണ്ടിംഗ്, "എനിക്കറിയില്ല" അനുമതി, കുറഞ്ഞ സർഗ്ഗാത്മകത

ഉദ്ധരണി ഉറവിടം

ഉത്തരം ശരിയാണെങ്കിലും ഉറവിടം തെറ്റാണ്

തെറ്റായ ഭാഗത്തെ മോഡൽ പരാമർശിച്ചു

ഉദ്ധരണി സ്ഥിരീകരണം (യൂണിറ്റ് 8 കാണുക)

സൂചന: ഹാലുസിനേഷനെ രണ്ട് ഭാഗങ്ങളായി വിഭജിക്കുക. വീണ്ടെടുക്കലിൽ നിന്ന് ഉറവിടം: തെറ്റായ/കാണാതായ ഭാഗം എത്തി (പരിഹാരം: വീണ്ടെടുക്കൽ മെച്ചപ്പെടുത്തുക). ജനറേഷൻ ഉറവിടം: ശരിയായ ഭാഗം എത്തി, എന്നാൽ മോഡൽ അത് തെറ്റായി വായിച്ചു/ചേർത്തു (പരിഹാരം: പ്രോംപ്റ്റും ഗ്രൗണ്ടിംഗും). ഏതാണ് എന്ന് അറിയാതെ നിങ്ങൾക്ക് അത് പരിഹരിക്കാൻ കഴിയില്ല.

അടിസ്ഥാനം: സന്ദർഭത്തിൽ ഉത്തരം നെയിലിംഗ്

"ഞാൻ നിങ്ങൾക്ക് നൽകുന്ന വാചകത്തെ മാത്രം ആശ്രയിക്കുക, അതിനപ്പുറത്തേക്ക് പോകരുത്" എന്ന് മോഡലിനെ പറയുന്നതിനുള്ള എല്ലാ സാങ്കേതികതകൾക്കും നൽകിയിരിക്കുന്ന പേരാണ് ഗ്രൗണ്ടിംഗ്. അദ്ദേഹത്തിൻ്റെ ഏറ്റവും അടിസ്ഥാനപരവും ഫലപ്രദവുമായ സാങ്കേതികത: 'എനിക്കറിയില്ല' എന്ന് പറയാൻ മോഡലിന് വ്യക്തമായി അനുമതി നൽകുന്നു. മനുഷ്യനെപ്പോലെ മോഡലും "എനിക്കറിയില്ല" എന്ന് പറയാൻ മടിക്കുന്നു; ഇത് ചെയ്യുന്നതിന് നിങ്ങൾ അദ്ദേഹത്തിന് വ്യക്തമായ അനുമതി നൽകണം.

ചുവടെയുള്ള CONTEXT അടിസ്ഥാനമാക്കി മാത്രം ഉത്തരം നൽകുക. സന്ദർഭത്തിൽ ഉത്തരം വ്യക്തമല്ലെങ്കിൽ, ഇത് കൃത്യമായി എഴുതുക: "ഡോക്യുമെൻ്റേഷനിൽ എനിക്ക് ഇതിനെക്കുറിച്ച് മതിയായ വിവരങ്ങൾ കണ്ടെത്താൻ കഴിഞ്ഞില്ല." സന്ദർഭത്തിൽ ഇല്ലാത്ത അക്കങ്ങളോ തീയതികളോ പേരുകളോ ഉൾപ്പെടുത്തരുത്. ഊഹിക്കരുത്.

അധിക ഗ്രൗണ്ടിംഗ് ടെക്നിക്കുകൾ:

• ഉദ്ധരണി ആവശ്യകത: ഓരോ ക്ലെയിമിനും മുമ്പായി, സന്ദർഭം പദാനുപദമായി ഉദ്ധരിക്കുക (“രേഖ പറയുന്നു: '...'”). കെട്ടിച്ചമച്ച ഉദ്ധരണികൾ നിർമ്മിക്കുന്നത് മോഡലിന് കൂടുതൽ ബുദ്ധിമുട്ടാണ്.
• താഴ്ന്ന താപനില: താപനില (താപനില, സർഗ്ഗാത്മകത / ക്രമരഹിതമായ ക്രമീകരണം) കുറവായിരിക്കണം. ശ്രദ്ധിക്കുക: നിലവിലുള്ള ചില മോഡലുകളിൽ ഈ പരാമീറ്റർ നീക്കം ചെയ്തു; അവയിൽ, നിങ്ങൾ ഒരു പ്രോംപ്റ്റിനൊപ്പം ഗ്രൗണ്ടിംഗ് നൽകുന്നു. ഉയർന്ന സർഗ്ഗാത്മകത കോർപ്പറേറ്റ് സമഗ്രതയുടെ ശത്രുവാണ്.
• സ്കോപ്പ് പരിധി: "സമ്മത നയ പ്രശ്നങ്ങളോട് മാത്രം പ്രതികരിക്കുക; ഒഴിവാക്കുന്നത് മാന്യമായി നിരസിക്കുക."

അവലംബം

ഭ്രമാത്മകതയ്‌ക്കെതിരായ ഏറ്റവും ശക്തമായ വ്യവസ്ഥാപിത പ്രതിരോധം ഉത്തരം പരിശോധിക്കാവുന്നതാക്കുക എന്നതാണ്. ഉത്തരം ഏത് രേഖയെ അടിസ്ഥാനമാക്കിയാണെന്ന് ഉപയോക്താവിന് കാണാൻ കഴിയുമെങ്കിൽ: (1) അയാൾക്ക് തന്നെ തെറ്റ് മനസ്സിലാക്കാൻ കഴിയും, (2) ഓഡിറ്റ് സാധ്യമാകും, (3) വിശ്വാസം വർദ്ധിക്കുന്നു, (4) "ഞാൻ ഉറവിടം ഉദ്ധരിക്കേണ്ടി വരും" എന്ന അവബോധത്തോടെ മോഡൽ കൂടുതൽ ജാഗ്രതയോടെ നിർമ്മിക്കുന്നു.

രണ്ട് പൊതു സമീപനങ്ങൾ:

ഇൻലൈൻ ആട്രിബ്യൂഷൻ: ഓരോ ക്ലെയിമിനും അടുത്തുള്ള ഉറവിട ടാഗ്. "വാർഷിക അവധി 14 ദിവസമാണ് [1]." [1] എന്നതിൻ്റെ പൂർണ്ണമായ ഡോക്യുമെൻ്റേഷൻ ചുവടെയുണ്ട്.

ഘടനാപരമായ ഔട്ട്പുട്ട്: ഉത്തരവും സോഴ്സ് ലിസ്റ്റും പ്രത്യേക ഫീൽഡുകളിൽ നിർമ്മിക്കാൻ മോഡലിനോട് ആവശ്യപ്പെടുന്നു; ഇൻ്റർഫേസിൽ ക്ലിക്ക് ചെയ്യാവുന്ന ലിങ്കുകളായി ഉറവിടങ്ങൾ കാണിക്കുന്നു.

# മാതൃകയെ അടിസ്ഥാനമാക്കി ഒരു ഘടനാപരമായ ഉത്തരം നിർമ്മിക്കുന്നു (സങ്കല്പപരം) നിങ്ങളുടെ ഉത്തരം ഇനിപ്പറയുന്ന ഘടനയിൽ നൽകുക:- ഉത്തരം: <സന്ദർഭത്തെ അടിസ്ഥാനമാക്കിയുള്ള ഉത്തരം>- ഉറവിടങ്ങൾ: [{"part_no": 1, "file": "...", "section": "..."}]- trust: <high|medium|low> # സന്ദർഭം അതിനെ എത്ര വ്യക്തമായി പിന്തുണയ്ക്കുന്നു? സന്ദർഭം ഉത്തരത്തെ പിന്തുണയ്ക്കുന്നില്ലെങ്കിൽ, ഉത്തര ഫീൽഡിൽ "വിവരങ്ങളൊന്നും കണ്ടെത്തിയില്ല" എന്ന് എഴുതി ഉറവിടങ്ങൾ ശൂന്യമായി വിടുക.

ഉദ്ധരണി ശരിക്കും പ്രവർത്തിക്കുന്നതിന്, ആട്രിബ്യൂഷൻ ശരിയാണോ എന്ന് പരിശോധിക്കേണ്ടത് ആവശ്യമാണ്. മോഡൽ ചിലപ്പോൾ ശരിയായ ഉത്തരം നൽകിയേക്കാം, പക്ഷേ തെറ്റായ ഉറവിടം നൽകുന്നു. ഉൽപ്പാദിപ്പിക്കുന്ന ഓരോ ക്ലെയിമും അത് ചൂണ്ടിക്കാണിക്കുന്ന ഭാഗത്ത് (അടുത്ത യൂണിറ്റിലെ "വിശ്വസ്തത" അളക്കൽ) യഥാർത്ഥത്തിൽ പിന്തുണയ്‌ക്കുന്നുണ്ടോയെന്ന് വിപുലമായ സംവിധാനങ്ങൾ സ്വയമേവ പരിശോധിക്കുന്നു.

ദുർബലമായ/ശക്തമായ: ഭ്രമാത്മകതയ്‌ക്കെതിരെ പ്രോംപ്റ്റ്

ദുർബലമായ (ശൂന്യമായത് പൂരിപ്പിക്കാനുള്ള ക്ഷണം):

നിങ്ങളുടെ പക്കലുള്ള വിവരങ്ങൾ ഉപയോഗിച്ച് നിങ്ങൾക്ക് കഴിയുന്നത്ര മികച്ച രീതിയിൽ ഉത്തരം നൽകുക: {context} ചോദ്യം: {question}# മോഡലിന് "നിങ്ങൾക്ക് കഴിയുന്നത്ര മികച്ചത്" എന്നാൽ "നിങ്ങൾക്ക് അറിയില്ലെങ്കിൽ ഊഹിക്കുക" എന്നാണ് അർത്ഥമാക്കുന്നത്.

ശക്തം (ഗ്രൗണ്ടിംഗ് + അനുമതി അറിയില്ല + ഉറവിടം + വിശ്വാസം):

CONTEXT-നെ മാത്രം ആശ്രയിക്കുക. അല്ലെങ്കിൽ, "എനിക്ക് ഒരു വിവരവും കണ്ടെത്താൻ കഴിഞ്ഞില്ല" എന്ന് പറയുക; നമ്പർ/തീയതി/പേര് ഉണ്ടാക്കുക.ഓരോ ക്ലെയിമിലേക്കും [n] ഉറവിട നമ്പർ ചേർക്കുക. സന്ദർഭം പിന്തുണയ്ക്കുന്ന വിശ്വാസ്യതയുടെ നില വ്യക്തമാക്കുക.CONTEXT: [1]... [2]... ചോദ്യം: {question}

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - നിർമ്മിച്ച ഇനം നമ്പർ. ഒരു പാരാ ലീഗൽ "ആർട്ടിക്കിൾ 17/ബി" പ്രസ്താവന ഉണ്ടാക്കി, അത് സന്ദർഭത്തിന് പുറത്താണ്, അത് ജീവനക്കാരന് തെറ്റായ വിവരങ്ങൾ നൽകി. "സന്ദർഭത്തിൽ ഇല്ലാത്ത ഒരു ലേഖന നമ്പർ നൽകരുത്, അല്ലെങ്കിൽ എനിക്കറിയില്ല എന്ന് പറയുക" + ഉദ്ധരിക്കാനുള്ള ബാധ്യത കൂടി ചേർത്തപ്പോൾ, കെട്ടിച്ചമച്ച ലേഖനങ്ങളുടെ കേസുകൾ 40 ഉദാഹരണങ്ങളിൽ 11 ൽ നിന്ന് 0 ആയി കുറഞ്ഞു.

കേസ് 2 - ശരിയായ ഉത്തരം, തെറ്റായ ഉറവിടം. ഒരു സപ്പോർട്ട് അസിസ്റ്റൻ്റ് ശരിയായ റിട്ടേൺ പിരീഡ് പ്രസ്താവിച്ചു, പക്ഷേ തെറ്റായ ലേഖനം ഉദ്ധരിച്ചു; ഉപഭോക്താവ് ലിങ്കിൽ ക്ലിക്ക് ചെയ്തപ്പോൾ, അപ്രസക്തമായ ഒരു പേജ് തുറന്നു. ഉദ്ധരണി പരിശോധിച്ചുറപ്പിക്കൽ (ഉദ്ധരിച്ച ഭാഗത്തിൽ ക്ലെയിം ദൃശ്യമാണോ എന്ന് പരിശോധിക്കുന്നത്) ചേർത്തപ്പോൾ, തെറ്റായ ഉദ്ധരണി നിരക്ക് 23% ൽ നിന്ന് 2% ആയി കുറഞ്ഞു.

കേസ് 3 - "എനിക്കറിയില്ല" അനുമതി നൽകിയില്ല. ഒരു എച്ച്ആർ അസിസ്റ്റൻ്റ് ഡോക്യുമെൻ്റിൽ ഇല്ലാത്ത ഒരു ചോദ്യത്തിന് വിശ്വസനീയവും എന്നാൽ തെറ്റായതുമായ ഉത്തരം ഉണ്ടാക്കി. വ്യക്തമായ "എനിക്കറിയില്ല" സമ്മതവും മുഴുവൻ വാചകവും ("എനിക്ക് ഡോക്യുമെൻ്റേഷനിൽ ഇത് സംബന്ധിച്ച വിവരങ്ങൾ കണ്ടെത്താൻ കഴിഞ്ഞില്ല") പ്രോംപ്റ്റിലേക്ക് ചേർത്തപ്പോൾ, കൃത്രിമത്വത്തിന് പകരം ഉത്തരമില്ലാത്ത ചോദ്യങ്ങൾക്കുള്ള സത്യസന്ധമായ നിരസിക്കൽ നിരക്ക് 8% ൽ നിന്ന് 95% ആയി വർദ്ധിച്ചു.

സാധാരണ തെറ്റുകൾ

• "എനിക്കറിയില്ല" അനുവദിക്കുന്നില്ല: മോഡൽ കൃത്രിമത്വം കൊണ്ട് വിടവ് നികത്തുന്നു.
• സർഗ്ഗാത്മകത ഉയർന്ന നിലയിൽ നിലനിർത്തുക: ക്രമരഹിതത കോർപ്പറേറ്റ് സമഗ്രതയ്ക്ക് ഹാനികരമാണ്.
• ഉറവിടം സ്ഥിരീകരിക്കാതെ വിശ്വസിക്കുന്നു: ശരിയായ ഉത്തരത്തിന് തെറ്റായ ഉറവിടം മോഡൽ അറ്റാച്ചുചെയ്യാം.
• രണ്ട് തരത്തിലുള്ള ഭ്രമാത്മകതകൾ തമ്മിൽ വേർതിരിച്ചറിയുന്നില്ല: വീണ്ടെടുക്കൽ മൂലമോ തലമുറയോ എന്നറിയാതെ നിങ്ങൾ തെറ്റായ സ്ഥലം തിരുത്തുന്നു.
• സൗന്ദര്യവർദ്ധക വസ്തുക്കളുടെ തെറ്റായ ഉദ്ധരണി: ഉറവിടത്തിൻ്റെ ഉദ്ധരണി സ്ഥിരീകരണവും പ്രതിരോധവുമാണ്; അത് ഗൗരവമായി എടുക്കുക.

മുന്നറിയിപ്പ്: "മോഡൽ വളരെ ആത്മവിശ്വാസത്തോടെ കാണപ്പെടുന്നു" എന്നത് "മോഡൽ ശരിയാണ്" എന്നതിന് തുല്യമല്ല. ഹാലുസിനേഷനുകൾ പൊതുവെ ഏറ്റവും ഒഴുക്കുള്ളതും ആത്മവിശ്വാസമുള്ളതുമായ വാക്യങ്ങളാണ്. വാക്യത്തിൻ്റെ സ്വരത്തിൽ നിന്നല്ല, അത് സൂചിപ്പിക്കുന്ന ഉറവിടത്തിൽ നിന്ന് വിശ്വാസത്തെ വായിക്കുക.

ചുരുക്കത്തിൽ

• വിശ്വസനീയവും എന്നാൽ തെറ്റായതുമായ വാചകം ഉപയോഗിച്ച് മോഡൽ വിവര വിടവ് നികത്തുന്നതാണ് ഹാലൂസിനേഷൻ; RAG കുറയുന്നു, പക്ഷേ റീസെറ്റ് ചെയ്യുന്നില്ല.
• തിരിച്ചെടുക്കൽ (തെറ്റായ ഭാഗം) അല്ലെങ്കിൽ ജനറേഷൻ (തെറ്റായ വായന) എന്നിവയാൽ ഭ്രമാത്മകത ഉണ്ടാകാം; ഏതാണ് ആദ്യം നിർണ്ണയിക്കുക.
• ഗ്രൗണ്ടിംഗിൻ്റെ ഏറ്റവും ശക്തമായ സാങ്കേതികത മോഡലിന് വ്യക്തമായ "എനിക്കറിയില്ല" അനുമതി നൽകുക എന്നതാണ്; ഉദ്ധരണി ആവശ്യകതയും കുറഞ്ഞ സർഗ്ഗാത്മകതയും.
• ഉദ്ധരണി ഉത്തരം പരിശോധിക്കാവുന്നതാക്കി മാറ്റുന്നു; ഇത് രണ്ടും ആത്മവിശ്വാസം നൽകുകയും മോഡലിനെ ജാഗ്രതയോടെ നിർമ്മിക്കാൻ പ്രേരിപ്പിക്കുകയും ചെയ്യുന്നു.
• ഉദ്ധരണിയുടെ കൃത്യതയും പരിശോധിക്കണം; ശരിയായ ഉത്തരത്തിന് തെറ്റായ ഉറവിടം ഘടിപ്പിച്ചേക്കാം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

(1) നിങ്ങളുടെ അസിസ്റ്റൻ്റിനോട് ചോദിക്കാൻ 4 ചോദ്യങ്ങൾ തയ്യാറാക്കുക, ഡോക്യുമെൻ്റുകളിൽ ഇല്ലാത്ത ഉത്തരങ്ങൾ (ട്രാപ്പ് ചോദ്യങ്ങൾ). ദുർബലവും ശക്തവുമായ പ്രോംപ്റ്റ് ഉപയോഗിച്ച് ഓരോരുത്തരെയും പരിശോധിച്ച് മോഡൽ അനുയോജ്യമാണോ അല്ലയോ എന്ന് അടയാളപ്പെടുത്തുക. (2) ഡോക്യുമെൻ്റിൽ ഉത്തരങ്ങളുള്ള 4 ചോദ്യങ്ങൾക്ക്, മോഡൽ വെൽഡ് നമ്പർ ജനറേറ്റ് ചെയ്യുകയും അത് കാണിക്കുന്ന വെൽഡ് യഥാർത്ഥ ഭാഗമാണോ എന്ന് നേരിട്ട് പരിശോധിക്കുകയും ചെയ്യുക. (3) മോഡൽ കുറഞ്ഞത് ഒരു കേസിലെങ്കിലും "ശരിയായ ഉത്തരം, തെറ്റായ ഉറവിടം" നൽകുന്നുണ്ടോയെന്ന് പരിശോധിക്കുക, നിങ്ങൾക്ക് ഇത് എങ്ങനെ യാന്ത്രികമായി പിടിക്കാം എന്ന് ഒരു വാചകത്തിൽ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഹാലുസിനേഷൻ സംഭവിക്കുന്നത് എന്തുകൊണ്ടാണെന്നും RAG അത് കുറയ്ക്കുന്നുണ്ടെങ്കിലും അത് പുനഃസജ്ജമാക്കാത്തത് എന്തുകൊണ്ടാണെന്നും എനിക്ക് പറയാൻ കഴിയും.
• [ ] എനിക്ക് വീണ്ടെടുക്കലും ജനറേഷൻ-ഇൻഡ്യൂസ്ഡ് ഹാലൂസിനേഷനും തമ്മിൽ വേർതിരിച്ചറിയാനും ശരിയായ സ്ഥലം ശരിയാക്കാനും കഴിയും.
• [ ] ഞാൻ പ്രോംപ്റ്റിലേക്ക് വ്യക്തമായ "എനിക്കറിയില്ല" അനുമതിയും അടിസ്ഥാന നിയമങ്ങളും ചേർക്കുന്നു.
• [ ] ഞാൻ ഉത്തരത്തിലേക്ക് പരിശോധിക്കാവുന്ന ഒരു ഉറവിടം (അവലംബം) ചേർക്കുന്നു.
• [ ] ആട്രിബ്യൂഷൻ്റെ കൃത്യത കൂടുതൽ പരിശോധിക്കേണ്ടതിൻ്റെ ആവശ്യകത ഞാൻ മനസ്സിലാക്കുന്നു.