LLMCheckerChain
LLMCheckerChain pide a un modelo de IA que responda a una pregunta y, antes de entregar la respuesta, le hace revisarla: el modelo prepara un primer borrador, enumera las suposiciones en las que se basa, comprueba si cada una es cierta y redacta la respuesta final teniendo en cuenta esa revisión.
Sirve para preguntas en las que un primer impulso del modelo puede llevar a un error y conviene que se lo piense dos veces.
Cuándo usarlo
- Responder preguntas de conocimiento general en las que es fácil equivocarse con una suposición falsa.
- Revisar afirmaciones antes de usarlas en un texto para clientes.
- Obtener respuestas más cuidadas cuando importa más acertar que la rapidez.
Configuración
| Campo | Qué hace |
|---|---|
| Input (obligatorio) | La pregunta que debe responder el modelo. Puedes escribirla o conectarla a la salida de texto de otro componente. |
| Conexión | Qué conectar |
|---|---|
| Model (obligatorio) | Un componente de modelo de IA, por ejemplo OpenAI. |
Resultado
- Text: la respuesta final, ya revisada. Conéctala a un Chat Output o a cualquier entrada de texto.
- Runnable: el componente listo para que otro lo ejecute. Conéctalo a Runnable As Tool para que un agente lo use como herramienta.
Ejemplo
El equipo de contenidos de Editorial Sauce quiere comprobar datos antes de publicar una guía:
- Conecta un Chat Input a Input y un modelo a Model.
- Conecta Text a un Chat Output.
- Escribe en el chat: “¿Cuál es el río más largo de la península ibérica?”.
El modelo prepara una respuesta, revisa las suposiciones que ha hecho y entrega la respuesta corregida si alguna de ellas era falsa.
Buenas prácticas
- El componente consulta al modelo varias veces por cada pregunta, así que tarda más que una consulta normal. Úsalo cuando la precisión compense la espera.
- La revisión la hace el propio modelo con lo que sabe: no consulta tus documentos ni internet. Para responder con tu información, usa Retrieval QA History.