LoslegenKostenlos starten

Sparsches Retrieval mit BM25

Zeit, eine sparse Retrieval-Implementierung auszuprobieren! Du erstellst einen BM25-Retriever, um Fragen zu einem wissenschaftlichen Paper über RAG zu stellen, das bereits in Chunks namens chunks aufgeteilt wurde. Ein OpenAI-Chatmodell und ein Prompt wurden ebenfalls als llm bzw. prompt definiert. Du kannst dir den bereitgestellten prompt anzeigen lassen, indem du ihn in der Konsole ausgibst.

Diese Übung ist Teil des Kurses

<Kurs>Retrieval Augmented Generation (RAG) mit LangChain</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle einen sparschen BM25-Retriever aus den in chunks gespeicherten Dokumenten und konfiguriere ihn so, dass er bei der Suche 5 Dokumente zurückgibt.
  • Erstelle eine LCEL-Retrieval-Chain, um den BM25-Retriever mit dem bereitgestellten llm und prompt zu integrieren.

Interaktive praktische Übung

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

# Create a BM25 retriever from chunks
retriever = ____

# Create the LCEL retrieval chain
chain = ({"context": ____, "question": ____}
         | ____
         | ____
         | StrOutputParser()
)

print(chain.invoke("What are knowledge-intensive tasks?"))
Code bearbeiten und ausführen