Урок из полного доступа, первые уроки курса бесплатно Официальный курс Mistral AI Cookbook на русском
Урок 118 · Текст · ~5 мин

RAG на MongoDB и Mistral AI

Урок 118 из 154 курса «Mistral AI Cookbook»: официальный курс Mistral AI Cookbook (Мистраль) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

Создание LLM GenAI приложения объединяет мощь Mistral AI с надёжностью векторного хранилища корпоративного уровня, такого как MongoDB. Ниже представлено подробное пошаговое руководство по внедрению этой инновационной системы:

  • Установите MISTRAL_API_KEY и настройте подписку для её активации.
  • Получите MONGO_URI из кластера MongoDB Atlas.

В этом разделе показаны версии необходимых библиотек. Лично я запускаю свой код в VScode. Поэтому вам необходимо предварительно установить следующие библиотеки. Вот версии на момент запуска следующего кода.

mistralai 0.0.8

pymongo 4.3.3

gradio 4.10.0

gradio_client 0.7.3

langchain 0.0.348

langchain-core 0.0.12

pandas 2.0.3

Они включают библиотеки для обработки данных, веб-скрейпинга, моделей ИИ и взаимодействия с базами данных.

Вы можете использовать свои API keys, экспортированные из командной оболочки.

Функция data_prep() загружает данные из PDF, документа или указанного URL. Она извлекает текстовое содержимое из веб-страницы/документации, удаляет нежелательные элементы, а затем разбивает данные на управляемые фрагменты (chunks). После того как данные разбиты на фрагменты (chunked), мы используем embedding endpoint Mistral AI для вычисления embeddings для каждого фрагмента и сохранения их в документе. Затем каждый документ добавляется в коллекцию MongoDB.

Функция connect_mongodb() устанавливает соединение с сервером MongoDB. Она возвращает объект коллекции, который можно использовать для взаимодействия с базой данных. Эта функция будет вызвана в функции data_prep(). Чтобы получить строку подключения к MongoDB, вы можете перейти в консоль MongoDB Atlas, нажать кнопку «Connect» на вашем кластере и выбрать драйвер Python.

Функция get_embedding(text) генерирует embedding для заданного текста. Она заменяет символы новой строки, а затем использует Studio embedding endpoints для получения embedding. Эта функция будет вызвана как в процессе подготовки данных, так и в процессе вопросов и ответов.

Чтобы выполнить запрос векторного поиска, вам нужно только создать индекс векторного поиска в MongoDB Atlas следующим образом.

Функция find_similar_documents(embedding) выполняет запрос…

План урока

  1. Импорт необходимых библиотек
  2. Подготовка данных
  3. Подключение к серверу MongoDB
  4. Получение embeddings
  5. Последняя конфигурация для индекса векторного поиска MongoDB
  6. Поиск похожих документов
  7. Функция вопросов и ответов

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Mistral AI 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Mistral AI (1 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Полезные гиды