Разбиение вопроса на подвопросы в LlamaIndex

О чём урок

VectorStoreIndex эффективно справляется с запросами, относящимися к конкретным контекстам в рамках одного документа или набора документов. Однако пользовательские запросы в реальных сценариях могут быть сложными, часто требуя извлечения контекста из нескольких документов для получения ответа. В таких ситуациях простой VectorStoreIndex может оказаться недостаточным. Вместо этого, разбиение сложных пользовательских запросов на подзапросы может привести к более точным ответам. В этом notebook мы рассмотрим, как SubQuestionQueryEngine может быть использован для решения сложных запросов путем генерации и обработки подзапросов. Мы будем использовать Uber, Lyft 10K SEC Filings и Paul Graham Essay Document.

План урока

1. Установка
2. Настройка API Key
3. Настройка LLM и Embedding Model
4. Логирование
5. Загрузка данных
6. Создание индекса и движка запросов