IniziaInizia gratis

Funzione di question answering RAG

Ci sei quasi! L’ultimo tassello del flusso RAG è integrare i documenti recuperati con un modello di question answering.

Una funzione prompt_with_context_builder() è già stata definita e resa disponibile. Questa funzione prende i documenti recuperati dall’indice Pinecone e li integra in un prompt che il modello di question answering può elaborare:

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

Implementerai la funzione question_answering(), che fornirà al modello linguistico di OpenAI gpt-4o-mini contesto aggiuntivo e fonti con cui potrà rispondere alle tue domande.

Questo esercizio fa parte del corso

Database vettoriali per Embeddings con Pinecone

Visualizza il corso

Istruzioni dell'esercizio

  • Inizializza il client Pinecone con la tua chiave API (il client OpenAI è disponibile come client).
  • Recupera i tre documenti più simili al testo query dal namespace 'youtube_rag_dataset'.
  • Genera una risposta al prompt e al sys_prompt forniti usando il modello 'gpt-4o-mini' di OpenAI, specificato tramite l’argomento di funzione chat_model.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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)
Modifica ed esegui il codice