Встраивание поиска в запрос
Отвечайте на основе подтверждённого цитатами контекста
«Встраивание поиска в запрос» — бесплатный урок NLP Academy на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения NLP Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс NLP Academy содержит 4 уроков всего.
Объединяем все части
Вы уже умеете извлекать релевантные фрагменты и вызывать LLM. Теперь соедините эти действия: передайте извлечённый текст в промпт как контекст.
Расширенный промпт
Промпт RAG состоит из трёх частей: инструкции, извлечённого контекста и вопроса пользователя. Модель читает все три части вместе.
Объединение извлечённых фрагментов
Сначала объедините лучшие фрагменты в один текстовый блок. Пустая строка между ними помогает модели воспринимать каждый фрагмент отдельно.
context = "\n\n".join(hits)Создание строки промпта
Оформите контекст и вопрос с помощью понятных меток. Простой шаблон точно указывает модели, что использовать и на какой вопрос отвечать.
prompt = f"Context:\n{context}\n\nQuestion: {question}\nAnswer:"Указание отвечать только на основе источников
Добавьте инструкцию отвечать только на основе контекста. Это уменьшает вероятность галлюцинаций и связывает ответ с Вашими источниками.
Обработка неизвестных ответов
Попросите модель сказать, что она не знает ответа, если в контексте нет нужной информации. Возможность ответить «Я не знаю» лучше уверенной, но ошибочной догадки.
Отправка запроса в LLM
Передайте собранный промпт в вызов модели. Теперь LLM отвечает, используя извлечённый контекст, а не только данные обучения.
answer = llm(prompt)Показ источников
Верните использованные фрагменты вместе с ответом. Эти ссылки на источники позволяют пользователям проверить утверждение и укрепляют доверие.
Следите за длиной контекста
Слишком большое число фрагментов переполняет контекстное окно. Не увеличивайте k и сокращайте длинные фрагменты, чтобы промпт укладывался в доступный объём модели.
Минимальная функция RAG
Полный процесс очень прост: преобразовать вектор, выполнить поиск, создать промпт и сгенерировать ответ. Эта одна функция охватывает весь конвейер RAG.
def rag(q):
hits = retrieve(q)
return llm(build_prompt(hits, q))Повышение качества поиска
Если ответы слабые, обычно нужно исправлять поиск, а не LLM. Более качественные фрагменты и повторное ранжирование повышают качество сильнее, чем более крупная модель.
Быстрая проверка
Подумайте, что входит в промпт RAG.
Итоги
Вы объединяете извлечённые фрагменты в контекст, создаёте промпт из инструкции и вопроса, генерируете обоснованный ответ и показываете источники. ✅
Часто задаваемые вопросы
Урок «Встраивание поиска в запрос» бесплатный?
Да — полный текст урока «Встраивание поиска в запрос» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс NLP Academy, подпишись на CoddyKit PRO. Курс NLP Academy содержит 4 уроков всего.
Чему я научусь в уроке «Встраивание поиска в запрос»?
Отвечайте на основе подтверждённого цитатами контекста Ты практикуешь NLP Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать NLP Academy?
Предыдущий опыт не требуется. NLP Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.
Сколько времени занимает урок «Встраивание поиска в запрос»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке NLP Academy?
Да. Каждый урок NLP Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Зачем LLM нужен поиск
- Разбиение документов на фрагменты и создание векторных представлений
- Векторный поиск с векторным хранилищем
- Встраивание поиска в запрос