Integración del retrieval en el prompt
Responder con contexto fundamentado y con citas
Integración del retrieval en el prompt es una lección gratuita de NLP Academy en CoddyKit. Esta es la lección 4 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de NLP Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de NLP Academy incluye 4 lecciones en total.
Unión de todas las piezas
Puede recuperar chunks relevantes y llamar a un LLM. Ahora debe conectarlos: incluya el texto recuperado en el prompt como contexto.
El prompt aumentado
Un prompt de RAG tiene tres partes: una instrucción, el contexto recuperado y la pregunta del usuario. El modelo lee las tres conjuntamente.
Unión de los chunks recuperados
Primero, una sus chunks principales en un único bloque de texto. Una línea en blanco entre ellos mantiene cada pasaje legible para el modelo.
context = "\n\n".join(hits)Construcción de la cadena del prompt
Incluya el contexto y la pregunta con etiquetas claras. Una plantilla sencilla indica al modelo exactamente qué debe usar y qué debe responder.
prompt = f"Context:\n{context}\n\nQuestion: {question}\nAnswer:"Indicar al modelo que se mantenga fundamentado
Añada una instrucción para responder solo a partir del contexto. Esto limita las alucinaciones y mantiene la respuesta vinculada a sus fuentes.
Gestión de respuestas desconocidas
Indique al modelo que diga que no lo sabe cuando el contexto no contenga la respuesta. Permitir no lo sé es mejor que una suposición incorrecta expresada con seguridad.
Envío al LLM
Pase el prompt ensamblado a la llamada del modelo. Ahora el LLM responde utilizando su contexto recuperado, no solo los datos de su entrenamiento.
answer = llm(prompt)Mostrar las fuentes
Devuelva junto con la respuesta los chunks utilizados. Estas citas permiten a los usuarios verificar la afirmación y generan confianza.
Vigile la longitud del contexto
Demasiados chunks desbordan la ventana de contexto. Mantenga k bajo y recorte los pasajes largos para que el prompt se ajuste al presupuesto del modelo.
Una función RAG mínima
El flujo completo es muy pequeño: incorporar, buscar, crear el prompt y generar. Esta única función representa todo un pipeline de RAG.
def rag(q):
hits = retrieve(q)
return llm(build_prompt(hits, q))Mejora de la calidad de la recuperación
Si las respuestas son deficientes, normalmente el problema está en la recuperación, no en el LLM. Mejores chunks y una nueva clasificación elevan más la calidad que un modelo más grande.
Comprobación rápida
Reflexione sobre qué elementos forman parte de un prompt de RAG.
Resumen
Une los chunks recuperados en el contexto, crea un prompt con una instrucción y una pregunta, genera una respuesta fundamentada y muestra las fuentes. ✅
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «Integración del retrieval en el prompt» es gratis?
Sí — el texto completo de «Integración del retrieval en el prompt» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de NLP Academy, actualiza a CoddyKit PRO. El curso de NLP Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Integración del retrieval en el prompt»?
Responder con contexto fundamentado y con citas Practicas NLP Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar NLP Academy?
No se requiere experiencia previa. NLP Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 4 de 4.
¿Cuánto tiempo toma la lección «Integración del retrieval en el prompt»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de NLP Academy?
Sí. Cada lección de NLP Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Por qué los LLM necesitan retrieval
- Fragmentación y generación de embeddings de documentos
- Búsqueda vectorial con un vector store
- Integración del retrieval en el prompt