Pochopení BM25

Než začneš integrovat BM25 sparse retriever do své RAG architektury, je dobré ho nejdřív otestovat na krátkých řetězcích, abys získal/a intuici pro to, jak retriever vybírá dokumenty.

Máš k dispozici tři řetězce, které použiješ jako základ pro svůj BM25 retriever. Vše potřebné pro toto cvičení je už načteno.

Toto cvičení je součástí kurzu

Retrieval Augmented Generation (RAG) with LangChain

Zobrazit kurz

Pokyny k cvičení

Inicializuj BM25 retriever z dokumentů a nastav ho tak, aby načítal tři dokumenty najednou.
Spusť retriever na zadaný dotaz.
Vypiš obsah stránky prvního výsledku.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

chunks = [
    "RAG stands for Retrieval Augmented Generation.",
    "Graph Retrieval Augmented Generation uses graphs to store and utilize relationships between documents in the retrieval process.",
    "There are different types of RAG architectures; for example, Graph RAG."
]

# Initialize the BM25 retriever
bm25_retriever = ____.from_texts(____)

# Invoke the retriever
results = bm25_retriever.____("Graph RAG")

# Extract the page content from the first result
print("Most Relevant Document:")
print(____)

Upravit a spustit kód