Začněte nyníZačněte zdarma

Funkce pro odpovídání na otázky pomocí RAG

Už jsi skoro u cíle! Posledním krokem v RAG workflow je propojení načtených dokumentů s modelem pro odpovídání na otázky.

Funkce prompt_with_context_builder() je již definovaná a připravená k použití. Vezme dokumenty načtené z Pinecone indexu a zahrne je do promptu, který může model pro odpovídání na otázky zpracovat:

def prompt_with_context_builder(query, docs):
    delim = '\n\n---\n\n'
    prompt_start = 'Answer the question based on the context below.\n\nContext:\n'
    prompt_end = f'\n\nQuestion: {query}\nAnswer:'

    prompt = prompt_start + delim.join(docs) + prompt_end
    return prompt

Implementuješ funkci question_answering(), která poskytne jazykovému modelu OpenAI gpt-4o-mini dodatečný kontext a zdroje, díky nimž dokáže odpovídat na tvoje otázky.

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).
  • Načti tři nejpodobnější dokumenty k textu dotazu query z namespace 'youtube_rag_dataset'.
  • Vygeneruj odpověď na zadaný prompt a sys_prompt pomocí modelu 'gpt-4o-mini' od OpenAI, který je určen argumentem funkce chat_model.

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')

query = "How to build next-level Q&A with OpenAI"

# Retrieve the top three most similar documents and their sources
documents, sources = retrieve(____, top_k=____, namespace='____', emb_model="text-embedding-3-small")

prompt_with_context = prompt_with_context_builder(query, documents)
print(prompt_with_context)

def question_answering(prompt, sources, chat_model):
    sys_prompt = "You are a helpful assistant that always answers questions."
    
    # Use OpenAI chat completions to generate a response
    res = ____(
        model=____,
        messages=[
            {"role": "system", "content": ____},
            {"role": "user", "content": ____}
        ],
        temperature=0
    )
    answer = res.choices[0].message.content.strip()
    answer += "\n\nSources:"
    for source in sources:
        answer += "\n" + source[0] + ": " + source[1]
    
    return answer

answer = question_answering(
  prompt=prompt_with_context,
  sources=sources,
  chat_model='gpt-4o-mini')
print(answer)
Upravit a spustit kód