1. Learn
    2. /
  2. Courses
    3. /
  3. Bases de données vectorielles pour les embeddings avec Pinecone
Connected

Exercise

Fonction de questions-réponses RAG

Vous y êtes presque ! La dernière étape du flux de travail RAG consiste à intégrer les documents récupérés avec un modèle de questions-réponses.

Une fonction prompt_with_context_builder() a déjà été définie et mise à votre disposition. Cette fonction prend les documents récupérés à partir de l'index Pinecone et les intègre dans une invite que le modèle de questions-réponses peut ingérer :

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

Vous allez implémenter la fonction question_answering(), qui fournira au modèle linguistique d'OpenAI gpt-4o-mini du contexte additionnel et des sources pour répondre à vos questions.

Instructions

100 XP
  • Initialisez le client Pinecone avec votre clé d'API (le client OpenAI est disponible sous client).
  • Récupérez les trois documents les plus similaires au texte query à partir de l''youtube_rag_dataset' namespace.
  • Générez une réponse à partir de prompt et sys_prompt à l'aide du modèle 'gpt-4o-mini' d'OpenAI, en le passant via l'argument de fonction chat_model.