Začněte nyníZačněte zdarma

Tvorba funkce pro vyhledávání

Klíčovou součástí RAG (Retrieval Augmented Generation) workflow je načítání dat z databáze. V tomto cvičení vytvoříš vlastní funkci retrieve(), která tento proces zajistí v závěrečném cvičení kurzu.

Toto cvičení je součástí kurzu

Tvorba AI aplikací s Pinecone

Zobrazit kurz

Pokyny k cvičení

  • Inicializuj Pinecone klienta pomocí svého API klíče (OpenAI klient je dostupný jako client).
  • Definuj funkci retrieve, která přijímá čtyři parametry: query, top_k, namespace a emb_model.
  • Vytvoř embedding vstupního dotazu query pomocí argumentu emb_model.
  • Načti top_k vektorů nejpodobnějších query_emb včetně metadat a použij přitom namespace předaný funkci jako argument.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize the Pinecone client
pc = Pinecone(api_key="____")
index = pc.Index('pinecone-datacamp')

# Define a retrieve function that takes four arguments: query, top_k, namespace, and emb_model
def retrieve(query, top_k, namespace, emb_model):
    # Encode the input query using OpenAI
    query_response = ____(
        input=____,
        model=____
    )
    
    query_emb = query_response.data[0].embedding
    
    # Query the index using the query_emb
    docs = index.query(vector=____, top_k=____, namespace=____, include_metadata=True)
    
    retrieved_docs = []
    sources = []
    for doc in docs['matches']:
        retrieved_docs.append(doc['metadata']['text'])
        sources.append((doc['metadata']['title'], doc['metadata']['url']))
    
    return retrieved_docs, sources

documents, sources = retrieve(
  query="How to build next-level Q&A with OpenAI",
  top_k=3,
  namespace='youtube_rag_dataset',
  emb_model="text-embedding-3-small"
)
print(documents)
print(sources)
Upravit a spustit kód