Zacznij terazZacznij za darmo

Tworzenie funkcji wyszukiwania

Kluczowym elementem procesu RAG (Retrieval Augmented Generation) jest pobieranie danych z bazy danych. W tym ćwiczeniu zaprojektujesz własną funkcję retrieve(), która wykona tę operację w ostatnim ćwiczeniu kursu.

To ćwiczenie jest częścią kursu

Tworzenie aplikacji AI z Pinecone

Zobacz kurs

Instrukcje do ćwiczenia

  • Zainicjalizuj klienta Pinecone, używając swojego klucza API (klient OpenAI jest dostępny jako client).
  • Zdefiniuj funkcję retrieve, która przyjmuje cztery parametry: query, top_k, namespace i emb_model.
  • Osadź wejściowe zapytanie query za pomocą argumentu emb_model.
  • Pobierz top_k wektorów najbardziej podobnych do query_emb wraz z metadanymi, podając namespace przekazany do funkcji jako argument.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod