Урок из полного доступа, первые уроки курса бесплатно Официальный курс OpenAI Academy на русском
Урок 234 · Текст · ~5 мин

Несколько инструментов и RAG в Responses API

Урок 234 из 303 курса «OpenAI Cookbook»: официальный курс OpenAI Academy (ОпенАИ) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

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

  1. Оркестрация нескольких инструментов с подходом RAG с использованием Responses API от OpenAI
  2. Создание индекса Pinecone на основе набора данных
  3. Загрузка (upsert) набора данных в индекс Pinecone
  4. Запрос к индексу Pinecone
  5. Генерация ответа с использованием извлеченного контекста
  6. Оркестрация вызовов нескольких инструментов
  7. Поток оркестрации нескольких инструментов

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 OpenAI 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от OpenAI (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

Урок входит в темы

Полезные гиды