Aan de slagGa gratis aan de slag

RAG-vraagantwoordfunctie

Je bent er bijna! Het laatste onderdeel in de RAG-workflow is het koppelen van de opgehaalde documenten aan een vraag-antwoordmodel.

Er is al een functie prompt_with_context_builder() gedefinieerd en voor je beschikbaar gemaakt. Deze functie neemt de documenten die uit de Pinecone-index zijn opgehaald en verwerkt ze in een prompt die het vraag-antwoordmodel kan gebruiken:

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

Je gaat de functie question_answering() implementeren, die OpenAI's taalmodel gpt-4o-mini extra context en bronnen meegeeft zodat het je vragen kan beantwoorden.

Deze oefening maakt deel uit van de cursus

Vector-databases voor embeddings met Pinecone

Cursus bekijken

Oefeninstructies

  • Initialiseer de Pinecone-client met je API-sleutel (de OpenAI-client is beschikbaar als client).
  • Haal de drie meest vergelijkbare documenten op voor de query-tekst uit de namespace 'youtube_rag_dataset'.
  • Genereer een antwoord op de meegeleverde prompt en sys_prompt met OpenAI’s model 'gpt-4o-mini', opgegeven via het argument chat_model van de functie.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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)
Code bewerken en uitvoeren