НачатьНачать бесплатно

Создание функции извлечения данных

Один из ключевых этапов процесса Retrieval Augmented Generation (RAG) — извлечение данных из базы данных. В этом упражнении вы создадите пользовательскую функцию retrieve(), которая будет выполнять эту задачу в финальном упражнении курса.

Это упражнение является частью курса

Создание ИИ-приложений с Pinecone

Посмотреть курс

Инструкции к упражнению

  • Инициализируйте клиент Pinecone, используя ваш API-ключ (клиент OpenAI доступен как client).
  • Определите функцию retrieve, принимающую четыре параметра: query, top_k, namespace и emb_model.
  • Создайте эмбеддинг входного запроса query с помощью аргумента emb_model.
  • Извлеките top_k векторов, наиболее похожих на query_emb, вместе с метаданными, указав namespace, переданный в функцию в качестве аргумента.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код