ПочатиПочніть безкоштовно

Функція для відповідей на запитання у RAG

Ви майже на фініші! Останній крок у робочому процесі RAG — об'єднати знайдені документи з моделлю «питання‑відповідь».

Функцію prompt_with_context_builder() уже визначено й надано вам. Вона бере документи, отримані з індексу Pinecone, і вбудовує їх у підказку (prompt), яку може опрацювати модель для відповідей на запитання:

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

Ви реалізуєте функцію question_answering(), яка надаватиме мовній моделі OpenAI gpt-4o-mini додатковий контекст і джерела, щоб вона могла відповідати на ваші запитання.

Ця вправа є частиною курсу

Створення AI‑застосунків із Pinecone

Переглянути курс

Інструкції до вправи

  • Ініціалізуйте клієнт Pinecone за допомогою вашого API-ключа (клієнт OpenAI доступний як client).
  • Отримайте три найподібніші документи до тексту query з простору назв 'youtube_rag_dataset'.
  • Згенеруйте відповідь на надані prompt і sys_prompt, використовуючи модель OpenAI 'gpt-4o-mini', яку слід вказати через аргумент функції chat_model.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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

query = "How to build next-level Q&A with OpenAI"

# Retrieve the top three most similar documents and their sources
documents, sources = retrieve(____, top_k=____, namespace='____', emb_model="text-embedding-3-small")

prompt_with_context = prompt_with_context_builder(query, documents)
print(prompt_with_context)

def question_answering(prompt, sources, chat_model):
    sys_prompt = "You are a helpful assistant that always answers questions."
    
    # Use OpenAI chat completions to generate a response
    res = ____(
        model=____,
        messages=[
            {"role": "system", "content": ____},
            {"role": "user", "content": ____}
        ],
        temperature=0
    )
    answer = res.choices[0].message.content.strip()
    answer += "\n\nSources:"
    for source in sources:
        answer += "\n" + source[0] + ": " + source[1]
    
    return answer

answer = question_answering(
  prompt=prompt_with_context,
  sources=sources,
  chat_model='gpt-4o-mini')
print(answer)
Редагувати та запускати код