ComenzarEmpieza gratis

Función de respuesta a preguntas sobre RAG

¡Casi! El último paso del flujo de trabajo RAG consiste en integrar los documentos recuperados con un modelo de preguntas y respuestas.

Ya se ha definido una función « prompt_with_context_builder() » y está disponible para ti. Esta función toma los documentos recuperados del índice Pinecone y los integra en una indicación que el modelo de preguntas y respuestas puede incorporar:

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

Implementarás la función « question_answering() », que proporcionará al modelo de lenguaje de OpenAI « gpt-4o-mini » contexto adicional y fuentes con las que responder a tus preguntas.

Este ejercicio forma parte del curso

Bases de datos vectoriales para incrustaciones con Pinecone

Ver curso

Instrucciones del ejercicio

  • Inicializa el cliente Pinecone con tu clave API (el cliente OpenAI está disponible en client).
  • Recupera los tres documentos más similares al texto query del espacio de nombres 'youtube_rag_dataset'.
  • Genera una respuesta a las direcciones prompt y sys_prompt utilizando el modelo 'gpt-4o-mini' de OpenAI, especificado mediante el argumento de función chat_model.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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)
Editar y ejecutar código