Začněte nyníZačněte zdarma

Vytvoření RAG řetězce

Teď je čas spojit všechny komponenty do jednoho RAG workflow! Dokumenty máš připravené a uložené v Chroma databázi pro vyhledávání. Vytvořil/a jsi také šablonu promptu, která zahrnuje načtené části akademického článku a umožňuje odpovídat na otázky.

Šablona promptu z předchozího cvičení je k dispozici jako prompt_template, OpenAI model je inicializovaný jako llm a kód pro opětovné vytvoření retrieveru je součástí skriptu.

Toto cvičení je součástí kurzu

Vývoj LLM aplikací s LangChain

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř LCEL řetězec pomocí operátoru roury (|) a propoj retriever, prompt_template a llm v uvedeném pořadí.
  • Řetězec by měl mapovat retriever na "context" a uživatelský vstup na "question".
  • Spusť řetězec pomocí metody .invoke() na zadané otázce.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

vectorstore = Chroma.from_documents(
    docs,
    embedding=OpenAIEmbeddings(api_key='', model='text-embedding-3-small'),
    persist_directory=os.getcwd()
)

retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 3}
)

# Create a chain to link retriever, prompt_template, and llm
rag_chain = ({"context": ____, "question": ____}
            | prompt_template
            | llm)

# Invoke the chain
response = rag_chain.____("Which popular LLMs were considered in the paper?")
print(response.content)
Upravit a spustit kód