فائدہ:
- نالج بیسڈ جنریشن (RAG) کی منطق کو سمجھنا اور یہ فریب کیوں کم کرتا ہے۔
- ماڈل کو حوالہ کے ساتھ جواب دینے کی اہلیت، صرف فراہم کردہ ماخذ دستاویزات کی بنیاد پر
- ایسے سوالات کا نظم کرنے کی اہلیت جو ماخذ میں نہیں ہیں، بغیر سوالات کیے انہیں محفوظ طریقے سے منتقل کر کے
ایک زبان کا ماڈل بہت کچھ "جانتا ہے"، لیکن یہ آپ کی کمپنی کی آج کی واپسی کی پالیسی، آپ کی موجودہ قیمت کی فہرست، یا آپ کے شپنگ معاہدے کو نہیں جانتا ہے جو کل تبدیل ہوا ہے۔ اس سے بھی بدتر، جب وہ نہیں جانتا ہے، وہ اکثر اسے بناتا ہے اور انتہائی پر اعتماد لہجے میں لکھتا ہے۔ یہ کسٹمر سروس میں ایک مہلک خامی ہے: ماڈل کہتا ہے "ریفنڈز 30 دنوں کے اندر جاری کیے جاتے ہیں" جبکہ آپ کی پالیسی 14 دن کی ہو سکتی ہے۔ جو نقطہ نظر اس خلا کو بند کرتا ہے اسے RAG کہا جاتا ہے: Retrieval-Augmented Generation، یعنی "Retrieval-Augmented Production"۔
خیال آسان ہے: ماڈل سوال کا جواب میموری سے نہیں بلکہ اس وقت اس کے سامنے رکھے گئے صحیح ماخذ دستاویزات سے دیتا ہے۔ سب سے پہلے، سوال سے متعلقہ دستاویز کا صحیح ٹکڑا "بازیافت" ہے، پھر ماڈل صرف اس ٹکڑے کی بنیاد پر جواب "جنریٹ" کرتا ہے۔ اس یونٹ میں، آپ RAG کی منطق کو سمجھیں گے اور ماڈل پر لگام لگانے کا طریقہ سیکھیں گے تاکہ یہ صرف آپ کے فراہم کردہ تصدیق شدہ ذریعہ پر قائم رہے۔
نوٹ: یہ یونٹ RAG کی ورکنگ منطق اور فوری پہلو سکھاتا ہے۔ انٹرپرائز پیمانے پر خودکار دستاویز کی بازیافت کے نظام (ویکٹر ڈیٹا بیس وغیرہ) کو تکنیکی تنصیب کی ضرورت ہوتی ہے۔ یہاں نظم و ضبط اس نظام کی بنیاد ہے کہ وہ صحیح طریقے سے جواب دے۔
RAG ہیلوسینیشن کو کیوں کم کرتا ہے؟
ہیلوسینیشن اس وقت ہوتا ہے جب ماڈل غیر حقیقی معلومات پیدا کرتا ہے جیسے کہ یہ حقیقی ہو۔ ماڈل کو ایک ایسا ردعمل پیدا کرنے کے لیے پروگرام کیا گیا ہے جو "ممکن" لگتا ہے جب یہ خلا کو دیکھتا ہے؛ پتہ نہیں یہ سچ ہے یا نہیں۔ RAG اس خلا کو پُر کرتا ہے: آپ ماڈل کو سوال کے ساتھ اصل متعلقہ متن دیتے ہیں اور کہتے ہیں "صرف یہاں سے جواب"۔ اس طرح ماڈل کو فٹ ہونے کی "ضرورت" نہیں ہے۔
تین اجزاء ہیں:
- علم کی بنیاد: قابل اعتماد متن جیسے اکثر پوچھے گئے سوالات، پالیسی دستاویزات، پروڈکٹ مینوئل، قیمت کی فہرست۔
- بازیافت: سوال کے جواب پر مشتمل دستاویز کا ٹکڑا تلاش کرنا اور اسے ماڈل کو دینا۔
- محدود ایڈیشن: ماڈل اقتباس کے ساتھ جواب دیتا ہے، صرف فراہم کردہ حصے کی بنیاد پر۔
مرحلہ وار: ماخذ کے لیے ایک ایماندار جواب
- ذریعہ تیار کریں۔ وہ متن تلاش کریں جس پر جواب کی بنیاد رکھی جائے گی (پالیسی، اکثر پوچھے گئے سوالات) واضح اور تازہ ترین شکل میں۔
- پرامپٹ میں سورس ایمبیڈ کریں۔ متن کو ٹیگ میں رکھیں جیسے <source>۔
- وفاداری کا اصول لکھیں۔ "صرف ماخذ سے معلومات کا استعمال کریں؛ ماخذ سے نہ بھٹکیں۔"
- حوالہ ضروری بنائیں۔ اسے بتانے دیں کہ جواب کس سیکشن پر مبنی ہے۔
- غیر وسائل کے رویے کی نشاندہی کریں۔ اگر جواب ماخذ میں نہیں ہے تو اسے کہنے دیں "میرے پاس یہ معلومات نہیں ہیں" اور اسے آگے بھیج دیں۔
- تصدیق کریں۔ جواب کو اس سورس جملے کے ساتھ موازنہ کرکے اس کی تصدیق کریں جس پر یہ مبنی ہے۔
کاپی کرنے کے قابل اشارے
بنیادی ماخذ کی بنیاد پر رسپانس پرامپٹ:
کردار: آپ کسٹمر سپورٹ اسسٹنٹ ہیں۔ سوال کا جواب صرف ذیل میں <ذریعہ>بلاک میں موجود معلومات کی بنیاد پر دیں۔ ایسی کوئی بھی معلومات شامل نہ کریں جو آپ کے عمومی علم سے ماخذ، اندازہ یا جواب میں نہ ہو۔ اپنے جواب کے آخر میں جس سیکشن پر آپ انحصار کر رہے ہیں اسے "[ماخذ: ...]" کی شکل میں شامل کریں۔ اگر جواب ماخذ میں نہیں ہے تو درج ذیل کو لکھیں: "میرے پاس اس موضوع پر قطعی معلومات نہیں ہیں، میں آپ کو ایک ایسے اہلکار کے پاس منتقل کر رہا ہوں جو صحیح جواب دے سکے۔"<source>{{policy_or_faq_text }}</source>سوال: {{ customer_question }}
ملٹی سورس کی صورت میں، یہ ظاہر کرنے کا اشارہ کس دستاویز پر مبنی ہے:
ذیل میں متعدد وسائل درج ہیں۔ سوال کا جواب دیتے وقت، آپ نے جو ماخذ استعمال کیا ہے اس کا نمبر بتائیں، جیسا کہ [ماخذ 2]۔ اگر ایک سے زیادہ ماخذ آپ سے متصادم ہیں، تو واضح طور پر بتائیں اور بتائیں کہ آپ کو پوچھنا چاہیے کہ کون سا زیادہ تازہ ترین ہے۔<ذرائع>1) {{ ماخذ_1 }}2) {{ ماخذ_2 }}3) {{ ماخذ_3 }}</ذرائع>سوال: {{ customer_question }}
فوری طور پر غیر منبع سوال کو محفوظ طریقے سے منظم کرتا ہے:
اگر سوال کا جواب جزوی طور پر ماخذ میں ملتا ہے: صرف اس حصے کا جواب دیں جو ماخذ میں شامل ہے، اور بقیہ حصے کے لیے "یہ تفصیل ماخذ میں نہیں ہے" کہیں۔ گمشدہ حصے کو کبھی اندازہ لگا کر نہ بھریں۔
پرامپٹ جو کلائنٹ کی زبان میں جواب کا ترجمہ کرتا ہے، لیکن ماخذ پر درست رہتا ہے:
ماخذ میں سرکاری/تکنیکی اظہار کا سادہ زبان میں ترجمہ کریں جسے صارف سمجھ سکے، لیکن معنی اور عددی اقدار (دن، رقم، شرح) کو تبدیل نہ کریں۔ مثال کے طور پر، "14 کیلنڈر دنوں" کو "تقریباً دو ہفتے" تک گول کرنا؛ پوری قدر رکھیں.
کمزور پرامپٹ / مضبوط اشارہ
کمزور اشارہ
طاقتور فوری
"ہمیں ہماری واپسی کی پالیسی کے بارے میں بتائیں"
ایمبیڈ سورس + "صرف یہاں جواب دیں" + اقتباس کی درخواست کرتا ہے۔
ماڈل کی یاد سے جواب (شاید غلط)
اپنی موجودہ دستاویز سے جواب دیں۔
اگر یہ ماخذ میں نہیں ہے، تو وہ اسے بناتا ہے۔
وہ کہتا ہے کہ "میرے پاس یہ معلومات نہیں ہیں" اور اسے آگے بڑھاتا ہے۔
نمبروں کو گول اور مسخ کر سکتے ہیں۔
دن/رقم/ریٹ کو بالکل برقرار رکھتا ہے۔
فرق یہ ہے کہ مضبوط پرامپٹ ماڈل کو اینکر (ماخذ متن) اور پابندی (آف سورس) دیتا ہے۔ ماڈل اب یادداشت سے نہیں بلکہ اس کے سامنے کی حقیقت سے بولتا ہے۔
تین چھوٹے کیسز
کیس 1 - پرانی پالیسی کا جال۔ "30 دنوں کے اندر واپسی قبول کر لی گئی،" ایک اسٹور کے بوٹ نے کریڈٹ کے بغیر چلتے ہوئے کہا۔ تاہم کمپنی نے اس مدت کو کم کر کے 14 دن کر دیا۔ جب RAG انسٹالیشن میں پالیسی کا اپ ڈیٹ کردہ متن ماخذ میں شامل کیا جاتا ہے، تو بوٹ اب "14 کیلنڈر دن [ماخذ: ریٹرن پالیسی، آرٹیکل 2]" کا جواب دیتا ہے۔ جھوٹے وعدوں سے پیدا ہونے والے رقم کی واپسی کے تنازعات کو دوبارہ ترتیب دیا گیا ہے۔
کیس 2 - تضاد کو پکڑنا۔ ایک گاہک نے شپنگ کے اخراجات کے بارے میں پوچھا۔ پرانی اور نئی دونوں قیمتوں کی فہرستیں ذرائع کے طور پر سسٹم میں داخل کی گئیں۔ ملٹی سورس پرامپٹ کا شکریہ، ماڈل نے کہا، "دو ذرائع مختلف قیمتیں دیتے ہیں (49 TL اور 59 TL؛ مجھے موجودہ کی تصدیق کرنے کی ضرورت ہے" اور اس مسئلے کو انسان تک پہنچایا۔ گاہک کو غلط رقم بتانے کے بجائے، اس نے ایمانداری سے غیر یقینی صورتحال سے آگاہ کیا۔
کیس 3 - جزوی ردعمل کا نظم و ضبط۔ "کیا آپ مصنوعات کو بیرون ملک بھیجتے ہیں اور کسٹم ڈیوٹی کون ادا کرتا ہے؟" سوال میں ذریعے نے صرف اتنا کہا کہ کھیپ کی گئی، ٹیکس کس نے ادا کیا اس بارے میں کچھ نہیں بتایا گیا۔ ماڈل نے کہا، "جی ہاں، بیرون ملک شپنگ کی جاتی ہے [ماخذ: کارگو FAQ]۔ تاہم، اس دستاویز میں یہ نہیں بتایا گیا ہے کہ کسٹم ڈیوٹی کون ادا کرتا ہے؛ میں اس کی وضاحت کے لیے آپ کو اہلکار کے پاس منتقل کر رہا ہوں۔" آدھے سچے، آدھے من گھڑت جواب کے بجائے، اس نے ایک ایماندار اور پر اعتماد پیداوار پیدا کی۔
مشورہ: اپنے علم کی بنیاد کے سچائی ورژن کا سب سے حالیہ اور واحد ذریعہ رکھیں۔ ایک ہی معلومات کا ہونا (مثلاً واپسی کا دورانیہ) تین الگ الگ دستاویزات میں مختلف طریقے سے لکھا جانا RAG کا سب سے بڑا دشمن ہے۔ ماڈل مختلف طریقے سے جواب دیتا ہے اس پر منحصر ہے کہ وہ کس کو دیکھتا ہے۔ پہلے اپنے دستاویزات کو ڈپلیکیٹ کریں، پھر انہیں خودکار بنائیں۔
توثیق: صرف اس وجہ سے آرام نہ کریں کہ ماخذ موجود ہے۔
RAG فریب کو بہت کم کرتا ہے لیکن اسے دوبارہ ترتیب نہیں دیتا۔ ماڈل بعض اوقات ماخذ کی غلط تشریح کر سکتا ہے، دو جملوں کو ملا کر، یا کوئی "نتیجہ" نکال سکتا ہے جو ماخذ میں نہیں ہے۔ اسی لیے اقتباس کی ضرورت بہت اہم ہے: وہ سیکشن کھولیں جس پر جواب کا دعویٰ ہے کہ آیا یہ حقیقت میں ایسا کہتا ہے۔ یہ کنٹرول غیر گفت و شنید ہے، خاص طور پر ایسے جوابات میں جن میں نمبر (دن، رقم، شرح) اور شرائط (استثنیٰ، شرط) شامل ہوں۔
احتیاط: اگر ماخذ خود غلط یا پرانا ہے، تو RAG وفاداری سے اس غلطی کو دہراتا ہے۔ "ماڈل ماخذ سے بولتا ہے" کہنے کا مطلب یہ نہیں ہے کہ "ماڈل صحیح بولتا ہے"؛ آپ اپنے ذریعہ کی کرنسی اور درستگی کے ذمہ دار ہیں۔
نالج بیس کو جواب کے لیے تیار رکھنا
RAG کا معیار زیادہ تر انحصار کرتا ہے کہ ماخذ کا متن کیسے لکھا جاتا ہے۔ ماڈل اچھی طرح سے ساختہ، عنوان والے، واحد موضوع کے متن سے کہیں زیادہ درست جواب دیتا ہے۔ عملی مشورہ: اپنی پالیسیاں لمبے، نیسٹڈ پیراگراف کی بجائے مختصر، عنوان والے حصوں میں لکھیں۔ ہر سیکشن کو ایک سوال کا جواب دینے دیں ("واپسی کی مدت کتنے دن ہے؟"، "کون سی مصنوعات واپس نہیں کی جا سکتی؟")۔ اکثر پوچھے گئے سوالات (FAQs) کو سوال و جواب کی شکل میں رکھنے سے ماڈل کے لیے صحیح حصہ تلاش کرنا آسان ہو جاتا ہے۔ ریاستی اقدار جیسے کہ تاریخ، رقم، اور شرح واضح طور پر اور متن کے اندر ایک جگہ؛ ایک ہی نمبر کو مختلف حصوں میں مختلف طریقے سے لکھنا ماڈل کو الجھا دیتا ہے۔
ایک اور اہم عادت علم کی بنیاد کو زندہ رکھنا ہے۔ پالیسیاں، قیمتیں اور پروموشنز مختلف ہوتی ہیں۔ اگر ماخذ کو اپ ڈیٹ نہیں کیا جاتا ہے، تو ماڈل محفوظ طریقے سے پرانی سچائی کو دہرانا جاری رکھے گا۔ پالیسی میں ہر تبدیلی کے ساتھ، ماخذ کو اپ ڈیٹ کریں اور ماڈل سے تبدیل شدہ موضوع کے بارے میں چند ٹیسٹ سوالات دوبارہ پوچھیں تاکہ تصدیق ہو سکے کہ یہ درست جواب دیتا ہے۔ یہ چھوٹی لیکن باقاعدہ دیکھ بھال RAG سسٹم کو وقت کے ساتھ "خاموشی سے غلط ہونے" سے روکتی ہے۔
عام غلطیاں
- ماخذ کو دفن کیے بغیر اور ماڈل کی یادداشت پر انحصار کیے بغیر "ہماری پالیسی کی وضاحت کریں" کہنا۔
- "صرف ماخذ سے جواب" کی حد اور غیر ماخذ سلوک کی وضاحت نہ کرنا۔
- اقتباس/ذریعہ حوالہ کی درخواست نہ کرنا اور جواب کو ناقابل تصدیق چھوڑنا۔
- علم کی بنیاد میں متعدد دستاویزات میں ایک ہی معلومات کے متضاد ورژن رکھنا۔
- ماڈل کو عددی اقدار کو گول/تعبیر کرنے کی اجازت دینا۔
- ماخذ کو اپ ڈیٹ کرنا بھول جانا، جس کی وجہ سے ماڈل ایمانداری کے ساتھ پرانی معلومات کو دہراتا ہے۔
خلاصہ میں
- RAG کا مطلب یہ ہے کہ ماڈل اپنا جواب میموری کی بجائے موجودہ ماخذ دستاویز سے تیار کرتا ہے۔
- فریب کو کم کرنے کا سب سے عملی طریقہ: ماخذ کو دفن کریں، کہیں "صرف یہاں جواب دیں"، حوالہ طلب کریں۔
- اگر جواب ماخذ میں نہیں ہے، تو کسی کو ماڈل کے مطابق نہیں ہونا چاہیے۔ اسے کہنا چاہیے کہ "میرے پاس نہیں ہے" اور اسے حوالے کر دے۔
- ماڈل کو متضاد ذرائع سے آگاہ کریں؛ آپ نے عددی اقدار کو بالکل محفوظ رکھا۔
- RAG کی درستگی کا انحصار آپ کے ذریعہ کی بروقت ہونے پر ہے۔ ہمیشہ اقتباس کی تصدیق کریں۔
درخواست کا کام
اپنے کاروبار سے ایک حقیقی پالیسی متن (واپسی، شپنگ، یا رکنیت) لیں اور اسے اوپر بنیادی RAG پرامپٹ میں بطور ذریعہ سرایت کریں۔ پھر تین سوال پوچھیں: (1) ایسا سوال جس کا جواب ماخذ میں واضح ہو، (2) ایسا سوال جس کا جواب ماخذ میں بالکل نہ ہو، (3) ایسا سوال جس کا جواب ماخذ میں ہی نامکمل ہو۔ تصدیق کریں کہ ماڈل صحیح جواب دیتا ہے، کہتا ہے "میرے پاس نہیں ہے" اور ایمانداری سے بالترتیب جزوی جواب اور غائب کو نشان زد کرتا ہے۔ پرامپٹ میں وفاداری اور غیر وسائل کے اصولوں کو مضبوط بنا کر منحرف رویے کو درست کریں۔
چیک لسٹ
- میں نے موجودہ ماخذ کو سرایت کیا ہے جس پر جواب پرامپٹ میں ہوگا۔
- میں نے "صرف ماخذ سے جواب، اس سے آگے نہ بڑھیں" اصول شامل کیا۔
- میں نے ایک ماخذ حوالہ / حوالہ کی ضرورت ڈال دی ہے۔
- اگر جواب ماخذ میں دستیاب نہیں ہے تو میں نے وفد کے رویے کی وضاحت کی۔
- [ ] میں نے مطالبہ کیا کہ عددی اقدار کو بالکل محفوظ رکھا جائے۔
- [ ] میں نے ماخذ جملے سے جواب کی تصدیق کی جس پر یہ مبنی ہے۔