Zacznij terazZacznij za darmo

Funkcja odpowiadania na pytania w RAG

Jesteś już prawie na mecie! Ostatnim elementem procesu RAG jest połączenie pobranych dokumentów z modelem odpowiadającym na pytania.

Funkcja prompt_with_context_builder() została już zdefiniowana i jest dla ciebie dostępna. Przyjmuje ona dokumenty pobrane z indeksu Pinecone i integruje je z promptem, który model pytań i odpowiedzi może przetworzyć:

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

Zaimplementujesz funkcję question_answering(), która dostarczy modelowi językowemu OpenAI gpt-4o-mini dodatkowy kontekst i źródła, dzięki którym będzie on mógł odpowiadać na twoje pytania.

To ćwiczenie jest częścią kursu

Tworzenie aplikacji AI z Pinecone

Zobacz kurs

Instrukcje do ćwiczenia

  • Zainicjalizuj klienta Pinecone, podając swój klucz API (klient OpenAI jest dostępny jako client).
  • Pobierz trzy dokumenty najbardziej podobne do tekstu query z przestrzeni nazw 'youtube_rag_dataset'.
  • Wygeneruj odpowiedź na podstawie podanych prompt i sys_prompt, używając modelu 'gpt-4o-mini' firmy OpenAI, wskazanego za pomocą argumentu funkcji chat_model.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod