เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การ Query เวกเตอร์สำหรับ Semantic Search

ในแบบฝึกหัดนี้ คุณจะสร้าง query vector จากคำถาม 'What is in front of the Notre Dame Main Building?' จากนั้นใช้ query ที่ฝังค่าไว้แล้วนี้ไปค้นหาใน namespace 'squad_dataset' ของ index 'pinecone-datacamp' เพื่อดึงเวกเตอร์ที่คล้ายกันมากที่สุด 5 อันดับแรก

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Vector Databases สำหรับ Embeddings ด้วย Pinecone

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เริ่มต้น Pinecone client ด้วย API key ของคุณ (OpenAI client พร้อมใช้งานในชื่อตัวแปร client)
  • สร้าง query vector โดยฝังค่า query ที่กำหนดไว้ด้วย OpenAI embedding model เดียวกับที่ใช้ฝังเวกเตอร์อื่น ๆ
  • Query namespace "squad_dataset" โดยใช้ query_emb และดึงผลลัพธ์ที่คล้ายกันมากที่สุด 5 อันดับแรก

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Initialize the Pinecone client
pc = Pinecone(api_key="____")
index = pc.Index('pinecone-datacamp')

query = "What is in front of the Notre Dame Main Building?"

# Create the query vector
query_response = ____(
    input=____,
    model="text-embedding-3-small"
)
query_emb = query_response.data[0].embedding

# Query the index and retrieve the top five most similar vectors
retrieved_docs = ____

for result in retrieved_docs['matches']:
    print(f"{result['id']}: {round(result['score'], 2)}")
    print('\n')
แก้ไขและรันโค้ด