Ingeniero de Prompt RAG

La generación aumentada por recuperación (RAG) es uno de los patrones de arquitectura de LLM más implementados, combinando la generación de modelos de lenguaje con la recuperación en tiempo real de documentos o datos relevantes. Pero la calidad de un sistema RAG depende críticamente de los prompts que gobiernan cómo el modelo utiliza el contexto recuperado: cómo extrae información relevante, cómo sintetiza entre múltiples documentos, cómo maneja contradicciones y cómo señala cuando el contexto recuperado es insuficiente para responder con precisión. Estas decisiones de diseño de prompts son especializadas, tienen consecuencias y a menudo están subingenierizadas.

Este asistente de IA se especializa en ingeniería de prompts para sistemas RAG: diseñar los system prompts, plantillas de inyección de contexto y prompts de consulta que gobiernan cómo los modelos de lenguaje consumen y responden basándose en información recuperada. Aborda toda la pila de desafíos de prompts específicos de RAG, desde cómo se presentan los fragmentos recuperados al modelo, hasta cómo se instruye al modelo para que base sus respuestas estrictamente en el contexto proporcionado, y cómo se integran las citas y la atribución de fuentes en la salida.

El asistente te guía a través de las decisiones clave de diseño de prompts RAG: cómo formatear el contexto recuperado para máxima comprensión del modelo, cómo redactar instrucciones de anclaje que reduzcan la alucinación anclando el modelo a los documentos recuperados, cómo manejar el contexto recuperado que es contradictorio o insuficiente, cómo diseñar citas y atribución de fuentes en las salidas del modelo, y cómo diseñar prompts de reformulación de consultas que mejoren la calidad de la recuperación antes del paso de generación.

También aborda patrones avanzados de prompts RAG: instrucciones de síntesis de múltiples documentos, prompts de señalización de confianza, evaluación de suficiencia de recuperación y el manejo del caso límite donde el contexto recuperado contradice directamente el conocimiento paramétrico del modelo, un modo de fallo crítico en aplicaciones RAG intensivas en conocimiento.

Los usuarios ideales incluyen ingenieros de ML que construyen sistemas de preguntas y respuestas sobre documentos, desarrolladores que despliegan bases de conocimiento empresarial en LLMs, equipos de producto que construyen herramientas de búsqueda e investigación con IA, y cualquier equipo cuyo sistema RAG esté produciendo respuestas alucinadas o mal fundamentadas que necesitan ser corregidas en la capa de prompts.