เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ทำความเข้าใจ BM25

ก่อนจะนำ BM25 sparse retriever มาผสานเข้ากับสถาปัตยกรรม RAG ควรทดสอบกับสตริงสั้นๆ ก่อน เพื่อให้เข้าใจว่า retriever เลือกเอกสารอย่างไร

มีสตริงสามรายการให้แล้ว ซึ่งจะใช้เป็นพื้นฐานสำหรับ BM25 retriever ของคุณ ฟังก์ชันที่จำเป็นสำหรับแบบฝึกหัดนี้ได้โหลดไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Retrieval Augmented Generation (RAG) ด้วย LangChain

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง BM25 retriever จากเอกสาร โดยกำหนดให้ดึงเอกสาร สาม รายการในแต่ละครั้ง
  • เรียกใช้ retriever กับ query ที่กำหนดให้
  • แสดงเนื้อหาหน้าของผลลัพธ์รายการแรก

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

chunks = [
    "RAG stands for Retrieval Augmented Generation.",
    "Graph Retrieval Augmented Generation uses graphs to store and utilize relationships between documents in the retrieval process.",
    "There are different types of RAG architectures; for example, Graph RAG."
]

# Initialize the BM25 retriever
bm25_retriever = ____.from_texts(____)

# Invoke the retriever
results = bm25_retriever.____("Graph RAG")

# Extract the page content from the first result
print("Most Relevant Document:")
print(____)
แก้ไขและรันโค้ด