🤖 Интерактивная песочница Yandex RAG

Yandex Cloud авторизация (обязательно для реального выполнения)

Folder ID:
Ваш Folder ID из Yandex Cloud
API Key:
API ключ или IAM токен
Внимание: Введите данные для авторизации для реального выполнения кода. Без авторизации используются моки.
Исполняемый код:

Python готов
import numpy as np

class YandexRAG:
    def __init__(self):
        self.client = None
        self.api_key = "self.api_key"  # будет заменено
        self.folder_id = "self.folder_id"  # будет заменено
        self.base_url = "self.base_url"  # будет заменено
        self.embedding_model = "emb://your-folder-id/text-search-doc/latest"
        self.generation_model = "gpt://your-folder-id/yandexgpt/latest"
        self.documents = []
        
        print(f"✅ YandexRAG инициализирован с моделью: yandexgpt")

    def add_documents(self, docs):
        """Добавление документов в базу знаний"""
        print(f"\n📚 Добавление {len(docs)} документов...")
        for i, doc in enumerate(docs):
            # Симуляция эмбеддинга
            embedding = np.random.rand(256)
            self.documents.append({
                'id': i,
                'text': doc,
                'embedding': embedding
            })
            print(f"  ✓ Документ {i+1}: {doc[:50]}...")
        print(f"✅ Добавлено документов: {len(docs)}")

    def search(self, query, top_k=3):
        """Поиск релевантных документов"""
        print(f"\n🔍 Поиск по запросу: '{query}'")
        print(f"   Параметры: top_k={top_k}")
        
        # Симуляция эмбеддинга запроса
        query_embedding = np.random.rand(256)
        
        # Вычисление сходства
        similarities = []
        for doc in self.documents:
            similarity = np.dot(query_embedding, doc['embedding']) / (
                np.linalg.norm(query_embedding) * np.linalg.norm(doc['embedding'])
            )
            similarities.append((doc, similarity))
        
        # Сортировка по релевантности
        similarities.sort(key=lambda x: x[1], reverse=True)
        top_docs = similarities[:top_k]
        
        print(f"📊 Найдено релевантных документов: {len(top_docs)}")
        for i, (doc, sim) in enumerate(top_docs, 1):
            print(f"   {i}. (сходство: {sim:.3f}) {doc['text'][:60]}...")
        
        return [doc for doc, _ in top_docs]

    def generate_answer(self, query, context_docs):
        """Генерация ответа на основе контекста"""
        print(f"\n🤖 Генерация ответа...")
        
        # Формирование контекста
        context_texts = []
        for i, doc in enumerate(context_docs, 1):
            # Вычисляем симуляцию релевантности для отображения
            similarity = np.random.uniform(0.7, 0.95)
            context_texts.append(f"Документ {i} (релевантность: {similarity:.3f}):\\n{doc['text']}")
        
        context = "\\n\\n".join(context_texts)
        
        print(f"📝 Контекст сформирован из {len(context_docs)} документов")
        print(f"   Общая длина контекста: {len(context)} символов")
        
        # Симуляция генерации
        if "машинное обучение" in query.lower() or "ml" in query.lower():
            answer = "На основе найденных документов: Машинное обучение - это область ИИ, которая позволяет компьютерам обучаться на данных без явного программирования."
        elif "rag" in query.lower():
            answer = "RAG (Retrieval-Augmented Generation) - это архитектура, объединяющая поиск релевантной информации с генеративными моделями для создания точных ответов."
        else:
            answer = f"На основе контекста: {context_docs[0]['text'][:100]}..."
        
        print(f"✅ Ответ сгенерирован (длина: {len(answer)} символов)")
        return answer

    def ask(self, query):
        """Основной метод для вопрос-ответа"""
        print("="*60)
        print(f"💬 ВОПРОС: {query}")
        print("="*60)
        
        # Поиск релевантных документов
        context_docs = self.search(query, top_k=3)
        
        # Генерация ответа
        answer = self.generate_answer(query, context_docs)
        
        print("\\n" + "="*60)
        print(f"💡 ОТВЕТ: {answer}")
        print("="*60)
        
        return answer

# ===== ДЕМОНСТРАЦИЯ РАБОТЫ =====
print("🚀 Запуск демонстрации Yandex RAG\\n")

# Инициализация системы
rag = YandexRAG()

# Добавление тестовых документов
documents = [
    "RAG (Retrieval-Augmented Generation) объединяет поиск информации с генеративными моделями для создания точных ответов.",
    "Машинное обучение позволяет компьютерам учиться на данных без явного программирования алгоритмов.",
    "FAISS - это библиотека от Facebook для эффективного поиска похожих векторов в больших наборах данных.",
    "YandexGPT - это большая языковая модель, разработанная Яндексом для генерации текста на русском языке.",
    "Эмбеддинги преобразуют текст в числовые векторы, сохраняя семантическое значение для поиска."
]

rag.add_documents(documents)

# Тестовые запросы
queries = [
    "Что такое RAG?",
    "Расскажи про машинное обучение",
    "Как работают эмбеддинги?"
]

print("\\n" + "🎯 Выполнение тестовых запросов\\n" + "="*60)

for query in queries:
    answer = rag.ask(query)
    print()  # Пустая строка между запросами

print("\\n✨ Демонстрация завершена!")
Результат выполнения:

Нажмите "Выполнить код" для запуска...