1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Vektordatabaser för embeddings med Pinecone
Connected

Bài tập

RAG-funktion för frågesvar

Du är nästan i mål! Det sista steget i RAG-arbetsflödet är att integrera de hämtade dokumenten med en frågesvarmodell.

Funktionen prompt_with_context_builder() har redan definierats och är tillgänglig för dig. Den tar emot de dokument som hämtats från Pinecone-indexet och bygger ihop dem till en prompt som frågesvarmodellen kan använda:

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

Du ska nu implementera funktionen question_answering(), som ger OpenAIs språkmodell gpt-4o-mini ytterligare kontext och källmaterial att utgå från när den besvarar dina frågor.

Hướng dẫn

100 XP
  • Initiera Pinecone-klienten med din API-nyckel (OpenAI-klienten är tillgänglig som client).
  • Hämta de tre mest liknande dokumenten till query-texten från namnrymden 'youtube_rag_dataset'.
  • Generera ett svar på den angivna prompt och sys_prompt med hjälp av OpenAIs modell 'gpt-4o-mini', angiven via funktionsargumentet chat_model.