始める無料で始める

検索関数を作成する

Retrieval Augmented Generation (RAG) ワークフローの重要な工程は、データベースからの検索です。この演習では、コース最後の演習で重要な処理を行うカスタム関数 retrieve() を設計します。

この演習はコースの一部です

Pineconeを使ったAIアプリケーション開発

コースを見る

演習の手順

  • OpenAI クライアントは client として利用できます。Pinecone クライアントを API キーで初期化します。
  • 4 つの引数 query、top_k、namespace、emb_model を取る関数 retrieve を定義します。
  • 引数 emb_model を使って入力の query を埋め込みに変換します。
  • メタデータ付きで、query_emb に類似する上位 top_k 個のベクトルを取得し、関数に渡された namespace を指定します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

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

# Define a retrieve function that takes four arguments: query, top_k, namespace, and emb_model
def retrieve(query, top_k, namespace, emb_model):
    # Encode the input query using OpenAI
    query_response = ____(
        input=____,
        model=____
    )
    
    query_emb = query_response.data[0].embedding
    
    # Query the index using the query_emb
    docs = index.query(vector=____, top_k=____, namespace=____, include_metadata=True)
    
    retrieved_docs = []
    sources = []
    for doc in docs['matches']:
        retrieved_docs.append(doc['metadata']['text'])
        sources.append((doc['metadata']['title'], doc['metadata']['url']))
    
    return retrieved_docs, sources

documents, sources = retrieve(
  query="How to build next-level Q&A with OpenAI",
  top_k=3,
  namespace='youtube_rag_dataset',
  emb_model="text-embedding-3-small"
)
print(documents)
print(sources)
コードを編集して実行