1. Learn
    2. /
  2. Courses
    3. /
  3. Vector Databases for Embeddings with Pinecone
Connected

Exercise

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.

Instructions

100 XP
  • 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.