RAG 问答函数
就差最后一步了！RAG 工作流的最后一环是将检索到的文档与问答模型集成。
我们已经为您定义并提供了一个 prompt_with_context_builder() 函数。该函数会将从 Pinecone 索引中检索到的文档整合到提示中，供问答模型读取：
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
您将实现 question_answering() 函数，为 OpenAI 的语言模型 gpt-4o-mini 提供额外的上下文与来源，以便更好地回答您的问题。
本练习是课程的一部分
使用 Pinecone 构建 AI 应用
练习说明
- 使用您的 API 密钥初始化 Pinecone 客户端（OpenAI 客户端已作为
client提供）。 - 从
'youtube_rag_dataset'命名空间中检索与query文本最相似的 3 个文档。 - 使用 OpenAI 的
'gpt-4o-mini'模型，结合提供的prompt和sys_prompt生成回答。模型名称通过chat_model函数参数指定。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)