CommencerCommencer gratuitement

Fonction de réponse aux questions RAG

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

Une fonction d'prompt_with_context_builder() a déjà été définie et mise à votre disposition. Cette fonction récupère les documents extraits de l'index Pinecone et les intègre dans une invite que le modèle de réponse aux questions peut traiter :

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 implémenterez la fonction « question_answering() », qui fournira au modèle linguistique d'OpenAI « gpt-4o-mini » un contexte supplémentaire et des sources lui permettant de répondre à vos questions.

Cet exercice fait partie du cours

Bases de données vectorielles pour les intégrations avec Pinecone

Afficher le cours

Instructions

  • Veuillez initialiser le client Pinecone avec votre clé API (le client OpenAI est disponible à l'adresse client).
  • Récupérez les trois documents les plus similaires au texte query dans l'espace de noms 'youtube_rag_dataset'.
  • Générez une réponse aux adresses prompt et sys_prompt à l'aide du modèle 'gpt-4o-mini' d'OpenAI, spécifié à l'aide de l'argument de fonction chat_model.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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)
Modifier et exécuter le code