Xây dựng kiểm tra kết quả vào đơn đặt hàng. CHỈ trả về JSON: {"goal">những gì bạn cần nhận được","verify_points">những sự kiện nào phải được kiểm tra kỹ lưỡng và bằng cách nào","require_sources">những gì cần làm bằng chứng (liên kết, trích dẫn, ảnh chụp màn hình)","freshness">cách đảm bảo rằng dữ liệu là mới và không phải từ một bản sao đã lưu cũ (bộ nhớ đệm)"}
Tác nhân không phải là một nhà tiên tri biết tất cả, mà là một người thực hiện đôi khi mắc lỗi theo ba cách: lấy dữ liệu lỗi thời (bộ đệm cũ - bản sao cũ đã lưu của trang), gây nhầm lẫn cho các tùy chọn tương tự (thẻ sai) hoặc “bịa ra” một thông tin còn thiếu, bởi vì mô hình có xu hướng lấp đầy các khoảng trống bằng một thông tin hợp lý. Cơ chế ảo giác (khi mô hình tạo ra một sự thật hợp lý nhưng sai): nếu nội dung nào đó không có trên trang, mô hình có thể thay thế một giá trị điển hình thay vì một giá trị trung thực là “không tìm thấy”. Do đó có quy tắc: không tin vào những con số không có nguồn. Kỹ thuật: bằng chứng nhu cầu - “đối với mỗi mức giá, hãy cung cấp liên kết trực tiếp và báo giá chính xác từ trang.” Một tác nhân khó có thể làm sai lệch một sự thật có thể kiểm chứng được, nhưng một sự thật hư cấu sẽ ngay lập tức bị vạch trần. Kỹ thuật thứ hai là kiểm soát độ mới: “cho biết ngày/giờ dữ liệu được nhận” và “mở trang hiện tại, không phải bản sao đã lưu”. Người trong cuộc: yêu cầu hiển thị các thông tin quan trọng (giá cả, tình trạng sẵn có, thời hạn) theo đúng nghĩa đen - kèm theo trích dẫn chứ không phải diễn giải. Kể lại là nơi sinh ra sai lầm. Một sai lầm phổ biến của tân binh là nhầm giọng điệu tự tin của người đại diện là sự thật. Độ tin cậy của mô hình không bằng độ chính xác; chỉ tin tưởng những gì được hỗ trợ bởi một tài liệu tham khảo.
Mở khóa quyền truy cập để gửi giải pháp nhằm đánh giá AI ngay lập tức.