О чём урок
Этот сборник рецептов поможет вам создать динамические, многоинструментальные рабочие процессы с использованием Responses API от OpenAI. Он демонстрирует, как реализовать подход Retrieval-Augmented Generation (RAG), который интеллектуально направляет пользовательские запросы к соответствующим встроенным или внешним инструментам. Независимо от того, требует ли ваш запрос общих знаний или доступа к специфическому внутреннему контексту из векторной базы данных (например, Pinecone), это руководство покажет вам, как интегрировать вызовы функций, встроенный инструмент веб-поиска и использовать извлечение документов для генерации точных, контекстно-зависимых ответов.
Практический пример выполнения RAG на PDF-файлах с использованием функции поиска файлов Responses API см. в этом notebook.
Этот пример демонстрирует гибкость Responses API, показывая, что помимо внутреннего инструмента file_search, который подключается к внутреннему векторному хранилищу, существует также возможность легко подключаться к внешним векторным базам данных. Это позволяет реализовать подход RAG в сочетании с размещенными инструментами, предоставляя универсальное решение для различных задач извлечения и генерации.
В этом примере мы используем образец набора данных для медицинских рассуждений из Hugging Face. Мы преобразуем набор данных в Pandas DataFrame и объединяем столбцы «Question» и «Response» в одну строку. Этот объединенный текст используется для embedding и позже сохраняется как metadata.
100 rows × 4 columns
Используйте сам набор данных для определения размерности embedding. Например, вычислите один embedding из объединенного столбца, а затем создайте индекс соответствующим образом.
Обрабатывайте набор данных в batches, генерируйте embeddings для каждого объединенного текста, подготавливайте metadata (включая отдельные поля Question и Answer) и выполняйте upsert каждого batch в индекс. При необходимости вы также можете обновить metadata для конкретных записей.
Создайте запрос на естественном языке, вычислите его embedding и выполните поиск по сходству в индексе Pinecone. Возвращенные результаты включают metadata, которая предоставляет контекст для генерации ответов.
Выберите наилучшее соответствующее совпадение из результатов вашего запроса и используйте Responses API от OpenAI для генерации окончательного ответа путем объединения извлеченного контекста с исходным вопросом.
Теперь мы определим встроенную функцию, доступную…
План урока
- Оркестрация нескольких инструментов с подходом RAG с использованием Responses API от OpenAI
- Создание индекса Pinecone на основе набора данных
- Загрузка (upsert) набора данных в индекс Pinecone
- Запрос к индексу Pinecone
- Генерация ответа с использованием извлеченного контекста
- Оркестрация вызовов нескольких инструментов
- Поток оркестрации нескольких инструментов
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.