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。

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。