MulaiMulai sekarang secara gratis

Fungsi RAG untuk menjawab pertanyaan

Sedikit lagi! Bagian terakhir dalam alur kerja RAG adalah mengintegrasikan dokumen yang diambil dengan model tanya jawab.

Fungsi prompt_with_context_builder() sudah didefinisikan dan tersedia untuk Anda. Fungsi ini mengambil dokumen yang diambil dari indeks Pinecone, lalu mengintegrasikannya ke dalam prompt yang dapat diproses oleh model tanya jawab:

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

Anda akan mengimplementasikan fungsi question_answering(), yang akan menyediakan konteks tambahan dan sumber kepada model bahasa OpenAI gpt-4o-mini agar dapat menjawab pertanyaan Anda.

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).
  • Ambil tiga dokumen yang paling mirip dengan teks query dari namespace 'youtube_rag_dataset'.
  • Hasilkan respons terhadap prompt dan sys_prompt yang disediakan menggunakan model OpenAI 'gpt-4o-mini', yang ditentukan melalui argumen fungsi chat_model.

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 = "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)
Edit dan Jalankan Kode