以下のコンテキストを参考に質問に答えてください。

コンテキスト:
{context}

質問: {query}

回答:

import numpy as np
from sentence_transformers import SentenceTransformer

# 埋め込みモデルの読み込み
model = SentenceTransformer('all-MiniLM-L6-v2')

# サンプル文書（知識ベース）
documents = [
    "RAGは検索と生成を組み合わせた手法です。",
    "Transformerは自己注意機構を使ったニューラルネットワークです。",
    "LLMは大規模言語モデルの略称です。",
    "ベクトルデータベースは埋め込みベクトルを効率的に検索します。",
    "プロンプトエンジニアリングはLLMの出力を制御する技術です。",
]

# 文書を埋め込みベクトルに変換
doc_embeddings = model.encode(documents)

def cosine_similarity(a, b):
    """コサイン類似度を計算"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

def retrieve(query, k=2):
    """クエリに類似した文書を検索"""
    query_embedding = model.encode(query)

    # 各文書との類似度を計算
    similarities = [
        cosine_similarity(query_embedding, doc_emb)
        for doc_emb in doc_embeddings
    ]

    # 類似度の高い順にソート
    ranked_indices = np.argsort(similarities)[::-1]

    # Top-k文書を返す
    results = []
    for i in ranked_indices[:k]:
        results.append({
            'document': documents[i],
            'similarity': similarities[i]
        })
    return results

# 検索テスト
query = "RAGとは何ですか？"
results = retrieve(query, k=2)

print(f"クエリ: {query}\n")
print("検索結果:")
for i, r in enumerate(results, 1):
    print(f"  {i}. {r['document']} (類似度: {r['similarity']:.4f})")

クエリ: RAGとは何ですか？

検索結果:
  1. RAGは検索と生成を組み合わせた手法です。 (類似度: 0.7234)
  2. LLMは大規模言語モデルの略称です。 (類似度: 0.4521)

def generate_prompt(query, retrieved_docs):
    """検索結果を含むプロンプトを生成"""
    context = "\n".join([doc['document'] for doc in retrieved_docs])

    prompt = f"""以下のコンテキストを参考に質問に答えてください。

コンテキスト:
{context}

質問: {query}

回答:"""
    return prompt

# プロンプト生成
query = "RAGとは何ですか？"
results = retrieve(query, k=2)
prompt = generate_prompt(query, results)

print(prompt)

import numpy as np
from sentence_transformers import SentenceTransformer

class SimpleRAG:
    def __init__(self, model_name='all-MiniLM-L6-v2'):
        """RAGシステムの初期化"""
        self.model = SentenceTransformer(model_name)
        self.documents = []
        self.embeddings = None

    def add_documents(self, documents):
        """文書をインデックスに追加"""
        self.documents.extend(documents)
        self.embeddings = self.model.encode(self.documents)

    def retrieve(self, query, k=3):
        """類似文書を検索"""
        query_emb = self.model.encode(query)

        # コサイン類似度を一括計算
        similarities = np.dot(self.embeddings, query_emb) / (
            np.linalg.norm(self.embeddings, axis=1) * np.linalg.norm(query_emb)
        )

        # Top-kインデックスを取得
        top_k_idx = np.argsort(similarities)[::-1][:k]

        return [
            {'document': self.documents[i], 'score': similarities[i]}
            for i in top_k_idx
        ]

    def generate_prompt(self, query, k=3):
        """RAGプロンプトを生成"""
        results = self.retrieve(query, k)
        context = "\n".join([f"- {r['document']}" for r in results])

        return f"""以下の情報を参考に質問に答えてください。

参考情報:
{context}

質問: {query}

回答:"""

# 使用例
rag = SimpleRAG()
rag.add_documents([
    "RAGはRetrieval-Augmented Generationの略で、検索拡張生成と訳されます。",
    "RAGは2020年にMeta AIによって提案されました。",
    "RAGはLLMの幻覚（ハルシネーション）を軽減する効果があります。",
    "ベクトル検索は埋め込み空間での最近傍探索を行います。",
])

prompt = rag.generate_prompt("RAGの利点は何ですか？")
print(prompt)