RAG, datakvalitet och professionell prompthantering

📄 Avsnitt 5: RAG, datakvalitet och professionell prompthantering

🎯 Lärandemål

• Förstå hur RAG ändrar vad modellen faktiskt ser
• Minska hallucinationer med begränsningar och källor
• Hantera motsägelser och flera källor med tydlig prioritet
• Använda meta-prompting, komprimering och strukturerad testning

RAG ur promptperspektiv

Modellen ser i RAG ofta inte hela biblioteket – bara utdrag som retrieval bedömer relevanta. Därför:

• Tydliga frågor → bättre träff på rätt chunk.
• Påminn om helhetsbild när det behövs: “sammanfatta dokumentets övergripande slutsatser” kan kräva att retrieval faktiskt plockar representativa delar – annars risk för snedvridning.

Minska hallucinationer

Tre klassiska spak:

1. Begränsa till levererade dokument när det är lämpligt – och ge en fast formulering för när svar saknas.
2. Kräv källstöd för fakta du kan verifiera mot underlagen.
3. Be om uttrycklig osäkerhet när underlaget är tunt eller tvetydigt.

Kom ihåg: modeller genererar text – de “vet” inte om de har rätt utan extern förankring.

Motsägelser mellan källor

Be modellen inte låtsas om konflikten är okänd. Exempel:

Om källor ger motstridiga budskap: beskriv konflikten, nämn vilka dokument det gäller
och ta inte ställning för vilken version som gäller om jag inte sagt det.

Du kan också ange prioritet: nyare policy före äldre, styrdokument före interna PM, osv.

Meta-prompting och komprimering

Meta-prompting: låt modellen först granska din instruktion (“vad är otydligt?”), föreslå en v2, eller generera en systemprompt från en produktbrief. Granska alltid maskinens förslag.

Komprimering: ta bart artighetsfuzz som inte tillför signal: “Skulle du kunna vara snäll och…” → skriv direkt uppgift + format.

Output anchoring: ge en ifylld mall med rubriker modellen ska fylla – minskar frikopplade svar.

Tips: i Intrics bibliotek finns bland annat en promptexpert ni kan importera och iterera med.

Professionell iteration och datatyper

• Test-driven prompting: definiera 3–5 typiska lyckade fall, några otydliga, några utanför scope – kör efter varje ändring.
• Självgranskning: be modellen ge betyg och feedback på ett svar enligt kriterier du bryr dig om.

Tabeller och exporter: beskriv kolumnbetydelse, datumformat och vad tomma celler betyder innan du ber om analys. Rensa bort irrelevanta kolumner – samma princip som context engineering: mindre brus.

Intric har verktyg som hjälper modeller med vissa filtyper – men en tydlig prompt är fortfarande billig försäkring.

Sammanfattning

• RAG = retrieval av chunks, inte magisk fullständig läsning av allt.
• Hallucinationer möts med begränsningar, källor och uttrycklig osäkerhet.
• Motsägelser kräver policy och transparens.
• Meta-prompting, komprimering och mallar höjer kvalitet snabbare än att bara skriva längre och längre prompts.

Grattis – du har gått fördjupningskursen. Fortsätt testa i verkliga ärenden och återkom till modulerna när du introducerar nya team eller modeller.

Testa dina kunskaper

4 frågor · 100 % rätt för att godkännas · Granska svar när du är klar

Starta quizet →