FAISS या Chroma से सरल RAG बनाना
Python की 40 पंक्तियाँ लिखें: क्वेरी की एम्बेडिंग बनाएँ, निकटतम शीर्ष-K चंक लें, उन्हें प्रॉम्प्ट में रखें और LLM से पूछें।
FAISS या Chroma से सरल RAG बनाना, CoddyKit पर AI एजेंट का एक निःशुल्क पाठ है। यह 4 में से 4वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह AI एजेंट सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। AI एजेंट पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
इस पाठ के कुछ हिस्सों का अभी तक अनुवाद नहीं हुआ है और वे अंग्रेज़ी में दिखाए गए हैं।
40-पंक्ति वाला RAG
अब आपके पास सभी आवश्यक हिस्से हैं। हम उन्हें दस्तावेज़ों के एक छोटे समूह पर चलने वाले सरल RAG में जोड़ेंगे।
Step 1: Install
# pip install openai chromadbStep 2: Sample Corpus
docs = [
'Python is a high-level interpreted programming language created by Guido van Rossum in 1991.',
'Pizza is a savory dish of Italian origin consisting of a round flat base of dough.',
'The Eiffel Tower is a wrought-iron lattice tower in Paris, France, completed in 1889.',
'NumPy is a Python library used for working with arrays and numerical computing.',
'The Great Wall of China is a series of fortifications built across northern China.'
]
print(f"Loaded {len(docs)} documents")
for i, d in enumerate(docs):
print(f"{i+1}. {d[:50]}...")
Step 3: Set Up Chroma
import chromadb
from openai import OpenAI
client = chromadb.Client()
collection = client.create_collection('demo')
openai_client = OpenAI()Step 4: Embed and Store
embed_response = openai_client.embeddings.create(
model='text-embedding-3-small',
input=docs
)
vectors = [d.embedding for d in embed_response.data]
collection.add(
ids=[f'd{i}' for i in range(len(docs))],
embeddings=vectors,
documents=docs
)Step 5: Embed the Query
query = 'Tell me about Python programming'
query_vec = openai_client.embeddings.create(
model='text-embedding-3-small',
input=query
).data[0].embeddingStep 6: Retrieve Top-K
results = collection.query(
query_embeddings=[query_vec],
n_results=2
)
retrieved = results['documents'][0]
print(retrieved)
# ['Python is a high-level...', 'NumPy is a Python library...']Step 7: Build the RAG Prompt
context = '\n'.join(f'- {chunk}' for chunk in retrieved)
prompt = f'''
Using only the context below, answer the question. If unknown, say so.
Context:
{context}
Question: {query}
'''Step 8: Call the LLM
response = openai_client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': prompt}],
temperature=0,
)
print(response.choices[0].message.content)FAISS का विकल्प
यदि आप बिना किसी डेटाबेस सर्वर के पूरी तरह स्थानीय समाधान चाहते हैं, तो FAISS और भी सरल है:
import faiss
import numpy as np
index = faiss.IndexFlatIP(1536) # inner product, normalised vectors
index.add(np.array(vectors).astype('float32'))
D, I = index.search(np.array([query_vec]).astype('float32'), k=2)
retrieved = [docs[i] for i in I[0]]इस सरल RAG की सीमाएँ
- कोई खंड-विभाजन नहीं — केवल छोटे दस्तावेज़ों पर काम करता है
- कोई पुनः-क्रम निर्धारण नहीं
- मेटाडेटा की कोई छनाई नहीं
- कोई मूल्यांकन नहीं
हम बाद के पाठ्यक्रमों में इन सभी समस्याओं को ठीक करेंगे।
प्रति प्रश्न लागत
आपके द्वारा किए गए हर प्रश्न के लिए:
- 1 एम्बेडिंग कॉल (लगभग $0.00002)
- लगभग 500 टोकन के संदर्भ के साथ 1 चैट पूर्णता (लगभग $0.0001)
कुल: प्रति प्रश्न लगभग एक सेंट के 1/100 भाग के बराबर।
इसे जारी करें और क्रमिक सुधार करें
आपका यह 40-पंक्ति वाला RAG पहले ही आपके डेटा पर तथ्यात्मक प्रश्न-उत्तर के लिए बिना संदर्भ वाले अधिकांश चैटबॉट से बेहतर है। इसे जारी करें, देखें कि उपयोगकर्ता इसे कैसे विफल करते हैं, फिर जहाँ सबसे अधिक आवश्यकता हो वहाँ उन्नत तकनीकें जोड़ें।
सरल RAG Top-K
"top-K" पुनर्प्राप्ति का क्या अर्थ है?
पुनरावलोकन
आपने RAG बनाया। अब हम वेक्टर डेटाबेस देखेंगे, जो इसे एकल लैपटॉप से आगे बड़े स्तर तक ले जाते हैं।
एआई शिक्षक के साथ AI एजेंट सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 60
- पाठ
- 239
अक्सर पूछे जाने वाले प्रश्न
क्या “FAISS या Chroma से सरल RAG बनाना” पाठ निःशुल्क है?
हाँ—“FAISS या Chroma से सरल RAG बनाना” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और AI एजेंट पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। AI एजेंट पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“FAISS या Chroma से सरल RAG बनाना” में मैं क्या सीखूँगा?
Python की 40 पंक्तियाँ लिखें: क्वेरी की एम्बेडिंग बनाएँ, निकटतम शीर्ष-K चंक लें, उन्हें प्रॉम्प्ट में रखें और LLM से पूछें। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ AI एजेंट का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या AI एजेंट शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर AI एजेंट शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 4वाँ पाठ है।
“FAISS या Chroma से सरल RAG बनाना” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस AI एजेंट पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर AI एजेंट पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- RAG किन समस्याओं का समाधान करता है (ज्ञान की कटऑफ़, मनगढ़ंत उत्तर)
- चंकिंग रणनीतियाँ (निश्चित, वाक्य-आधारित, अर्थ-आधारित)
- दस्तावेज़ों के संग्रह का अनुक्रमण
- FAISS या Chroma से सरल RAG बनाना