Fördjupningskurs: avancerad promptning · 3 min läsning
RAG, datakvalitet och professionell prompthantering
Chunks, källhänvisning, motsägelser, meta-prompting och hur olika datatyper kräver olika prompts.
Avsnitt 5: RAG, datakvalitet och professionell prompthantering
Section titled “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
RAG står för Retrieval-Augmented Generation – “generering med stöd av framsökt information”. Retrieval betyder framsökning: i stället för att skicka hela kunskapsbanken till modellen söker systemet fram de textbitar som verkar besvara just din fråga. En sådan textbit kallas en chunk – ett stycke eller avsnitt ur ett dokument, litet nog att rymmas i kontextfönstret men stort nog att gå att förstå för sig självt.
Kedjan, från uppladdat dokument till svar:
- Dokument laddas upp i kunskapsbanken.
- Chunking – dokumentet delas i chunks. Varje chunk märks med var den kommer ifrån: dokument, sida, avsnitt.
- Embeddings – varje chunk översätts till en sifferrepresentation av vad texten betyder. Det är därför en fråga om “semester” kan träffa ett stycke som bara talar om “ledighet”.
- Vektorindex – sifferrepresentationerna sparas i ett sökbart register.
- Retrieval – din fråga översätts på samma sätt, och systemet hämtar de chunks som ligger närmast frågan i betydelse.
- Utvalda chunks skickas in i kontextfönstret tillsammans med din fråga.
- Språkmodellen formulerar svaret utifrån just de bitarna.
Vad det betyder när du skriver prompten: modellen ser alltså oftast inte hela biblioteket, bara de utdrag som steg 5 valde ut. Därför:
- Tydliga frågor → bättre träff på rätt chunk. Vaga frågor hämtar vaga utdrag.
- Använd samma ord och begrepp som står i underlaget när du kan – det ökar chansen att rätt chunk hämtas.
- Påminn om helhetsbilden när det behövs: “sammanfatta dokumentets övergripande slutsatser” förutsätter att framsökningen faktiskt plockar representativa delar – annars riskerar sammanfattningen att bli snedvriden.
Minska hallucinationer
Tre grepp som brukar fungera:
- Begränsa assistenten till det bifogade underlaget när det är lämpligt – och ge den en färdig formulering att använda när svaret inte finns där. Till exempel: “Svara bara utifrån de bifogade dokumenten. Saknas svaret, skriv: Det framgår inte av underlaget.”
- Kräv källhänvisning för påståenden som går att kontrollera mot underlaget, så att du kan gå tillbaka och verifiera dem.
- Be assistenten säga ifrån när den är osäker, i stället för att gissa – särskilt när underlaget är tunt eller tvetydigt.
Kom ihåg: modeller genererar text – de “vet” inte om de har rätt utan förankring i något utanför sig själva.
Motsägelser mellan källor
Be modellen inte låtsas om konflikten är okänd. Exempel:
Om källor ger motstridiga budskap: beskriv konflikten, nämn vilka dokument det gälleroch 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: stryk artighetsfraser och inramning som inte styr svaret. “Skulle du kunna vara snäll och hjälpa mig att…” tillför ingenting som modellen kan agera på – skriv uppgiften och formatet direkt. Utrymmet i kontextfönstret gör bättre nytta som instruktion.
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
Section titled “Sammanfattning”- RAG = framsökning (retrieval) av chunks, inte en fullständig genomläsning av allt underlag.
- 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
Fråga 1 av 4
Vad är en 'chunk' i ett RAG-flöde?