LoslegenKostenlos starten

Eine RAG-Kette erstellen

Jetzt musst alle Teile in deinem RAG-Workflow zusammenfügen! Du hast die Dokumente vorbereitet und in eine Chroma-Datenbank abrufbereit gespeichert. Du hast eine Prompt-Vorlage erstellt, um die aus dem wissenschaftlichen Artikel abgerufenen Teile einzufügen und Fragen zu beantworten.

Die in der vorherigen Übung erstellte Prompt-Vorlage ist unter prompt_template verfügbar, ein OpenAI-Modell wurde unter llm initialisiert und der Code zum Erstellen deines retriever wurde in das Skript aufgenommen.

Diese Übung ist Teil des Kurses

<Kurs>Entwickeln von LLM-Anwendungen mit LangChain</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstell eine LCEL-Kette mit dem Pipe-Operator (|), um retriever, prompt_template und llm nacheinander zu verbinden.
  • Die Kette sollte den Retriever auf "context" und die Benutzereingabe auf "question" verweisen.
  • Ruf die Kette mit der Methode „ .invoke() “ für die angegebene Frage auf.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

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)
Code bearbeiten und ausführen