通过

使用自己的 Python 数据示例开始聊天

  • 项目

本文介绍如何使用自己的 Python 数据示例部署和运行聊天。 此示例使用 Python、Azure OpenAI 服务和 Azure AI 搜索中的检索扩充生成（RAG） 实现聊天应用，以获取虚构公司员工福利的解答。 该应用采用 PDF 文件种子，包括员工手册、福利文档和公司角色和期望列表。

按照本文中的说明操作，你将：

  • 将聊天应用部署到 Azure。
  • 获取有关员工权益的解答。
  • 更改设置以更改答复的行为。

完成此过程后，可以使用自定义代码开始修改新项目。

本文是一系列文章的一部分，介绍如何使用 Azure OpenAI 服务和 Azure AI 搜索生成聊天应用。

该系列中的其他文章包括：

注意

本文使用一个或多个 AI 应用模板作为本文中的示例和指南的基础。 AI 应用模板为你提供了维护良好、易于部署的参考实现，可帮助确保 AI 应用有一个高质量的起点。

体系结构概述

下图显示了聊天应用的简单体系结构：

显示从客户端到后端应用的体系结构的关系图。

体系结构的关键组件包括：

  • 用于托管交互式聊天体验的 Web 应用程序。
  • 用于从自己的数据获取答案的 Azure AI 搜索资源。
  • 要提供的 Azure OpenAI 服务：
    • 用于增强自有数据搜索性能的关键字。
    • 来自 OpenAI 模型的解答。
    • 来自 ada 模型的嵌入

成本

此体系结构中的大多数资源使用基本定价层或消耗定价层。 消耗定价基于使用量，这意味着你只需为使用的部分付费。 完成本文将收取一定费用，但费用极少。 完成本文后，可以删除资源以停止产生费用。

详细了解 示例存储库中的成本。

先决条件

开发容器 环境提供了完成本文所需的所有依赖项。 可以在 GitHub Codespaces（在浏览器中）或在本地使用 Visual Studio Code 运行开发容器。

若要使用本文，需要满足以下先决条件：

  • Azure 订阅 - 免费创建订阅
  • Azure 帐户权限 - Azure 帐户必须具有 Microsoft.Authorization/roleAssignments/write 权限，例如用户访问管理员或所有者。
  • 已在所需的 Azure 订阅中授予对 Azure OpenAI 的访问权限。 目前，仅应用程序授予对此服务的访问权限。 可以通过在 https://aka.ms/oai/access 上填写表单来申请对 Azure OpenAI 的访问权限。 如果有任何问题，请在此存储库上提出问题以联系我们。
  • GitHub 帐户

打开开发环境

现在从安装了完成本文所需的所有依赖项的开发环境开始。

GitHub Codespaces 运行由 GitHub 托管的开发容器，将 Visual Studio Code 网页版作为用户界面。 对于最简单的开发环境，请使用 GitHub Codespaces，以便预先安装完成本文所需的合适的开发人员工具和依赖项。

重要

所有 GitHub 帐户每月可以使用 Codespaces 最多 60 小时，其中包含 2 个核心实例。 有关详细信息，请参阅 GitHub Codespaces 每月包含的存储和核心小时数。

  1. 开始在 Azure-Samples/azure-search-openai-demo GitHub 存储库的 main 分支上创建新的 GitHub Codespace。

  2. 右键单击以下按钮，然后选择“在新窗口中打开链接”，以便同时提供开发环境和文档。

    在 GitHub Codespaces 中打开

  3. 在“创建 codespace”页上，查看 codespace 配置设置，然后选择“新建 codespace”

    新建 codespace 之前的确认屏幕的截图。

  4. 等待 Codespace 启动。 此启动过程会花费几分钟时间。

  5. 在终端的屏幕底部，使用 Azure Developer CLI 登录到 Azure。

    azd auth login

  6. 从终端复制代码，然后将其粘贴到浏览器中。 按照说明使用 Azure 帐户进行身份验证。

  7. 本文中的剩余任务需要在此开发容器的上下文中完成。

部署和运行

示例存储库包含将聊天应用部署到 Azure 所需的所有代码和配置文件。 以下步骤将指导完成将示例部署到 Azure 的过程。

将聊天应用部署到 Azure

重要

在本部分中创建的 Azure 资源会产生即时成本，主要由 Azure AI 搜索资源产生。 即使在完全执行命令之前中断命令，这些资源也会产生费用。

  1. 运行以下 Azure Developer CLI 命令来预配 Azure 资源并部署源代码：

    azd up

  2. 如果系统提示输入环境名称，请将其保留为短写和小写。 例如 myenv。 它用作资源组名称的一部分。

  3. 出现提示时，选择要在其中创建资源的订阅。

  4. 当系统第一次提示你选择位置时，请选择你附近的位置。 此位置用于大多数资源，包括托管。

  5. 如果系统提示输入 OpenAI 模型或文档智能资源的位置，请选择离你最近的位置。 如果可以使用与第一个位置相同的位置，请选择该位置。

  6. 在应用部署后等待 5 或 10 分钟，然后再继续。

  7. 成功部署应用程序后，终端中会显示一个 URL。

    AZD CLI azd up 过程结束时报告的已部署应用的屏幕截图。

  8. 选择标记为 (✓) Done: Deploying service webapp 的 URL 在浏览器中打开聊天应用程序。

    浏览器中聊天应用的屏幕截图，其中显示了有关聊天输入的多个建议以及用于输入问题的聊天文本框。

使用聊天应用从 PDF 文件获取答案

聊天应用预加载了 PDF 文件中的员工权益信息。 可以使用聊天应用询问有关权益的问题。 以下步骤将引导你完成使用聊天应用的过程。 你的答案可能因基础模型更新而有所不同。

  1. 在浏览器中，选择或输入 在性能评审中会发生什么情况？ 在聊天文本框中。

    聊天应用的第一个回答的屏幕截图。

  2. 从答案中选择引文。

    聊天应用的第一个回答的屏幕截图，其中用红框突出显示了引文。

  3. 在右窗格中，使用选项卡了解如何生成答案。

    Tab 说明
    思考过程 这是聊天中交互的脚本。 可以查看系统提示 (content) 和用户问题 (content)。
    支持内容 这包括用于回答你的问题的信息和来源材料。 开发人员设置中记录了来源材料引文的数量。 默认值为 3。
    引文 这会显示包含引文的原始页面。

  4. 完成后，再次选择所选选项卡以关闭窗格。

使用聊天应用设置更改答复行为

聊天的智能由 OpenAI 模型和用于与模型交互的设置确定。

聊天开发人员设置的屏幕截图。

设置 说明
替代提示模板 重写用于基于问题和搜索结果生成答案的提示。
温度 将请求的温度设置为生成答案的 LLM。 更高的温度导致更多的创造性反应，但它们可能不那么地面。
最低搜索分数 为从 Azure AI 搜索返回的搜索结果设置最低分数。 分数范围取决于使用的是 混合（默认）、矢量还是仅文本。
最低重新计算器分数 设置从语义重新调用器返回的搜索结果的最小分数。 分数始终介于 0-4 之间。 分数越高，结果与问题在语义上越相关。
检索这么多搜索结果 设置要从 Azure AI 搜索中检索的搜索结果数。 更多的结果可能会增加找到正确答案的可能性，但可能导致模型“在中间丢失”。可以在引文的“思想”流程和支持内容选项卡中查看这些源。
排除类别 指定要从搜索结果中排除的类别。 默认数据集中没有使用类别。
使用语义排名程序进行检索 启用 Azure AI 搜索 语义排名器，该模型基于用户查询的语义相似性重新对搜索结果进行排名。
使用语义标题 将语义标题发送到 LLM 而不是完整的搜索结果。 语义标题是在语义排名过程中从搜索结果中提取的。
建议后续问题 要求 LLM 根据用户的查询建议后续问题。
检索模式 设置 Azure AI 搜索查询的检索模式。 矢量 + 文本（混合） 使用矢量搜索和全文搜索的组合， 矢量 仅使用矢量搜索， 而文本 仅使用全文搜索。 混合通常是最佳的。
流式聊天完成响应 在生成聊天 UI 时持续流式传输对聊天 UI 的响应。

以下步骤将引导你完成更改设置的过程。

  1. 在浏览器中，选择“ 开发人员设置” 选项卡。

  2. 选中“建议后续问题”复选框，然后再次提出相同的问题。

    What happens in a performance review?

    聊天返回了建议的后续问题，例如：

    1. What is the frequency of performance reviews?
2. How can employees prepare for a performance review?
3. Can employees dispute the feedback received during the performance review?

  3. 在“设置”选项卡中，取消选择“使用语义排名程序进行检索”。

  4. 再次问同样的问题？

    What happens in a performance review?

  5. 答案有什么区别？

    借助语义排名器：在 Contoso Electronics 进行绩效审查期间，员工将有机会讨论他们在工作场所的成功和挑战（1）。 审查将提供积极和建设性的反馈，以帮助员工发展和发展其角色（1）。 员工将收到绩效评审的书面摘要，其中包括对即将到来的一年（1）绩效、反馈和目标和目标的评级。 绩效评审是经理和员工之间的双向对话（1）。

    没有语义排名器：在 Contoso Electronics 进行绩效评审期间，员工有机会在工作场所讨论他们的成功和挑战。 提供了积极和建设性的反馈，以帮助员工发展和发展其角色。 给出绩效评审的书面摘要，包括即将来临的一年的性能、反馈和目标评分。 审查是经理和员工之间的双向对话（1）。

清理资源

清理 Azure 资源

本文中创建的 Azure 资源的费用将计入你的 Azure 订阅。 如果你预计将来不需要这些资源，请将其删除，以避免产生更多费用。

运行以下 Azure Developer CLI 命令以删除 Azure 资源并删除源代码：

azd down --purge --force

这些开关可提供：

  • purge：立即清除删除的资源。 这样，就可以重复使用 Azure OpenAI TPM。
  • force：该删除操作以无提示方式进行，无需用户同意。

清理 GitHub Codespaces

删除 GitHub Codespaces 环境可确保可以最大程度地提高帐户获得的每核心免费小时数权利。

重要

有关 GitHub 帐户权利的详细信息，请参阅 GitHub Codespaces 每月包含的存储和核心小时数。

  1. 登录到 GitHub Codespaces 仪表板 (https://github.com/codespaces)。

  2. 找到当前正在运行的、源自 Azure-Samples/azure-search-openai-demo GitHub 存储库的 Codespaces。

    所有正在运行的 Codespaces 的屏幕截图，其中包含它们的状态和模板。

  3. 打开 codespace 的上下文菜单，然后选择“删除”。

    单个 codespace 的上下文菜单的屏幕截图，突出显示了删除选项。

获取帮助

此示例存储库提供故障排除信息。

如果未解决问题，请将问题记录到存储库的问题部分。

后续步骤