始める無料で始める

RAG 質問応答関数

もう一息です！RAG ワークフローの最後のステップは、取得したドキュメントを質問応答モデルに統合することです。

prompt_with_context_builder() 関数はすでに定義済みで利用できます。この関数は Pinecone のインデックスから取得したドキュメントを受け取り、質問応答モデルが取り込めるプロンプトに組み込みます。

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

これから question_answering() 関数を実装します。OpenAI の言語モデル gpt-4o-mini に対し、質問に答えるための追加コンテキストと出典を提供します。

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 として用意されています。Pinecone クライアントを API キーで初期化してください。
  • 'youtube_rag_dataset' namespace から、query テキストに最も近いドキュメントを3件取得します。
  • chat_model 引数で指定された OpenAI の 'gpt-4o-mini' モデルを使い、与えられた prompt と sys_prompt に対する応答を生成してください。

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')

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)
コードを編集して実行