Создание запроса для извлечения данных
Важнейшим элементом любой RAG-системы является запрос для извлечения данных. В этом упражнении вы создадите шаблон чат-запроса для цепочки извлечения и проверите, способна ли языковая модель отвечать, опираясь исключительно на предоставленный контекст.
Переменная llm уже определена и готова к использованию.
Это упражнение является частью курса
Retrieval Augmented Generation (RAG) с LangChain
Инструкции к упражнению
- Преобразуйте строку
promptв многоразовый шаблон чат-запроса. - Создайте цепочку LCEL, чтобы объединить шаблон запроса с предоставленной моделью
llm. - Вызовите
chainс заданными входными данными и проверьте, может ли модель ответить, используя только предоставленный контекст.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
prompt = """
Use the only the context provided to answer the following question. If you don't know the answer, reply that you are unsure.
Context: {context}
Question: {question}
"""
# Convert the string into a chat prompt template
prompt_template = ____
# Create an LCEL chain to test the prompt
chain = ____ | ____
# Invoke the chain on the inputs provided
print(chain.____({"context": "DataCamp's RAG course was created by Meri Nova and James Chapman!", "question": "Who created DataCamp's RAG course?"}))