翻译自 Tutorial: Use Chroma and OpenAI to Build a Custom Q&A Bot 。

在上一个教程中，我们探讨了 Chroma 作为一个向量数据库来存储和检索嵌入。现在，让我们将用例扩展到基于 OpenAI 和检索增强生成（RAG）技术构建问答应用程序。

在最初为学院奖构建问答机器人时，我们实现了基于一个自定义函数的相似性搜索，该函数计算两个向量之间的余弦距离。我们将用一个查询替换掉该函数，以在Chroma中搜索存储的集合。

(资料图片仅供参考)

为了完整起见，我们将开始设置环境并准备数据集。这与本教程中提到的步骤相同。

步骤1 - 准备数据集

从 Kaggle 下载奥斯卡奖数据集，并将 CSV 文件移到名为 data 的子目录中。该数据集包含 1927 年至 2023 年奥斯卡金像奖的所有类别、提名和获奖者。我将 CSV 文件重命名为 oscars.csv 。

首先导入 Pandas 库并加载数据集:

import pandas as pddf = pd.read_csv("./data/oscars.csv")df.head()

数据集结构良好，有列标题和代表每个类别详细信息的行，包括演员/技术人员的姓名、电影和提名是否获奖。

由于我们最感兴趣的是与 2023 年相关的奖项，因此让我们对其进行过滤，并创建一个新的 Pandas data frame 。同时,我们也将类别转换为小写，删除电影值为空的行。这有助于我们为 GPT 3.5 设计上下文提示。

df = df.loc[df["year_ceremony"] == 2023] df = df.dropna(subset=["film"])df["category"] = df["category"].str.lower()df.head()

对过滤和清理过的数据集，让我们在 dataframe 中添加一个包含整个提名句子的新列。当这个完整的句子发送到 GPT 3.5 时，它可以在上下文中找到事实。

df["text"] = df["name"] + " got nominated under the category, " + df["category"] + ", for the film " + df["film"] + " to win the award"df.loc[df["winner"] == False, "text"] = df["name"] + " got nominated under the category, " + df["category"] + ", for the film " + df["film"] + " but did not win"df.head()["text"]

请注意，我们如何连接这些值以生成一个完整的句子。例如，在 dataframe 的前两行中， “text” 列具有以下值:

步骤2 - 为数据集生成并存储单词嵌入

既然我们已经从数据集构建了文本,那么就将其转换为单词嵌入并存储在 Chroma 中。

这是一个关键步骤，因为嵌入模型生成的标记将帮助我们执行语义搜索，以检索数据集中具有相似含义的句子。

import openaiimport chromadbfrom chromadb.utils import embedding_functionsdef text_embedding(text) -> None:    response = openai.Embedding.create(model="text-embedding-ada-002", input=text)    return response["data"][0]["embedding"]openai_ef = embedding_functions.OpenAIEmbeddingFunction(                api_key=os.environ["OPENAI_API_KEY"],                model_name="text-embedding-ada-002"            )

在上面的步骤中，我们通过传递 OpenAI API 密钥和嵌入模型来指示 Chroma 使用 OpenAI 嵌入。

我们可以使用 text_embedding 函数将查询的短语或句子转换为 Chroma 使用的相同嵌入格式。

现在我们可以基于 OpenAI 嵌入模型创建 ChromaDB 集合。

client = chromadb.Client()collection = client.get_or_create_collection("oscars-2023",embedding_function=openai_ef)

请注意，我们通过传递函数将集合与 OpenAI 相关联。这将成为吸收数据时生成嵌入的默认机制。

让我们将 Pandas dataframe 中的文本列转换为可以传递给 Chroma 的 Python 列表。由于 Chroma 中存储的每个文档还需要字符串格式的 ID ，所以我们将 dataframe 的索引列转换为字符串列表。

docs = df["text"].tolist()ids = [str(x) for x in df.index.tolist()]

文档和 ID 完全填充后，我们就可以创建集合了。

collection.add(    documents=docs,     ids=ids)

步骤3 - 执行相似性搜索以增强提示

首先，为获取音乐类别所有提名的字符串生成单词嵌入。

vector = text_embedding("Nominations for music")

现在我们可以将其作为搜索查询传递给 Chroma ，以检索所有相关文档。通过设置 n_results 参数，我们可以将输出限制为 15 个文档。

results = collection.query(        query_embeddings=vector,    n_results=15,    include=["documents"])

结果字典包含所有文档的列表。

让我们将此列表转换为一个字符串，以为提示提供上下文。

res = "\n".join(str(item) for item in results["documents"][0])

是时候根据上下文构建提示并将其发送到OpenAI了。

prompt = f"```{res}```Based on the data in ```, answer who won the award for the original song" messages = [        {"role": "system", "content": "You answer questions about 95th Oscar awards."},         {"role": "user", "content": prompt}]response = openai.ChatCompletion.create(    model="gpt-3.5-turbo",    messages=messages,     temperature=0)response_message = response["choices"][0]["message"]["content"]

响应包括基于上下文和提示的组合得出的正确回答。

本教程演示了如何利用诸如 Chroma 之类的向量数据库来实现检索增强生成(RAG)，以通过额外的上下文增强提示。

以下是完整的代码，供您探索:

import pandas as pdimport openaiimport chromadbfrom chromadb.utils import embedding_functionsimport osdf=pd.read_csv("./data/oscars.csv")df=df.loc[df["year_ceremony"] == 2023]df=df.dropna(subset=["film"])df["category"] = df["category"].str.lower()df["text"] = df["name"] + " got nominated under the category, " + df["category"] + ", for the film " + df["film"] + " to win the award"df.loc[df["winner"] == False, "text"] = df["name"] + " got nominated under the category, " + df["category"] + ", for the film " + df["film"] + " but did not win"def text_embedding(text) -> None:    response = openai.Embedding.create(model="text-embedding-ada-002", input=text)    return response["data"][0]["embedding"]openai_ef = embedding_functions.OpenAIEmbeddingFunction(                api_key=os.environ["OPENAI_API_KEY"],                model_name="text-embedding-ada-002"            )client = chromadb.Client()collection = client.get_or_create_collection("oscars-2023",embedding_function=openai_ef)docs=df["text"].tolist() ids= [str(x) for x in df.index.tolist()]collection.add(    documents=docs,    ids=ids)vector=text_embedding("Nominations for music")results=collection.query(        query_embeddings=vector,    n_results=15,    include=["documents"])res = "\n".join(str(item) for item in results["documents"][0])prompt=f"```{res}```who won the award for the original song"messages = [        {"role": "system", "content": "You answer questions about 95th Oscar awards."},        {"role": "user", "content": prompt}]response = openai.ChatCompletion.create(    model="gpt-3.5-turbo",    messages=messages,    temperature=0)response_message = response["choices"][0]["message"]["content"]print(response_message)