MulaiMulai sekarang secara gratis

Melakukan kueri vektor untuk pencarian semantik

Dalam latihan ini, Anda akan membuat vektor kueri dari pertanyaan, 'What is in front of the Notre Dame Main Building?'. Dengan kueri yang di-embed ini, Anda akan melakukan kueri pada namespace 'squad_dataset' dari indeks 'pinecone-datacamp' dan mengembalikan lima vektor paling mirip teratas.

Latihan ini adalah bagian dari kursus

Database Vektor untuk Embeddings dengan Pinecone

Lihat Kursus

Petunjuk latihan

  • Inisialisasi klien Pinecone dengan kunci API Anda (klien OpenAI tersedia sebagai client).
  • Buat vektor kueri dengan melakukan embedding pada query yang disediakan menggunakan model embedding OpenAI yang sama seperti yang Anda gunakan untuk me-embedding vektor lainnya.
  • Kueri namespace "squad_dataset" menggunakan query_emb, dan kembalikan lima hasil paling mirip teratas.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Initialize the Pinecone client
pc = Pinecone(api_key="____")
index = pc.Index('pinecone-datacamp')

query = "What is in front of the Notre Dame Main Building?"

# Create the query vector
query_response = ____(
    input=____,
    model="text-embedding-3-small"
)
query_emb = query_response.data[0].embedding

# Query the index and retrieve the top five most similar vectors
retrieved_docs = ____

for result in retrieved_docs['matches']:
    print(f"{result['id']}: {round(result['score'], 2)}")
    print('\n')
Edit dan Jalankan Kode