ПочатиПочніть безкоштовно

Створення функції отримання даних

Ключовий етап у робочому процесі Retrieval Augmented Generation (RAG) — це отримання даних із бази. У цій вправі ви спроєктуєте власну функцію retrieve(), яка виконуватиме цю важливу операцію у фінальній вправі курсу.

Ця вправа є частиною курсу

Створення AI‑застосунків із Pinecone

Переглянути курс

Інструкції до вправи

  • Ініціалізуйте клієнт Pinecone зі своїм API-ключем (клієнт OpenAI доступний як client).
  • Оголосіть функцію retrieve, яка приймає чотири параметри: query, top_k, namespace і emb_model.
  • Створіть вкладення для вхідного query, використовуючи аргумент emb_model.
  • Отримайте top_k найбільш схожих векторів до query_emb разом із метаданими, вказавши namespace, переданий до функції як аргумент.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код