在本機使用 RAG 提示流程（預覽）

擷取增強產生（RAG）是一種模式，可搭配預先定型的大型語言模型（LLM）和您自己的數據來產生回應。您可以在 Azure 機器學習的提示流程中實作 RAG。

在本文中，您將瞭解如何使用 Visual Studio Code 中的提示流程擴充功能，將 RAG 流程從 Azure 機器學習雲端工作區轉換為本機裝置，並加以使用。

重要

RAG 目前處於公開預覽狀態。此預覽版是在沒有服務等級協定的情況下提供，不建議用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

必要條件

在本機安裝的 Python
- 執行所安裝的 promptflow SDK 和 promptflow-tools 套件
  pip install promptflow promptflow-tools
- 執行 所安裝的 promptflow-vectordb 工具
  pip install promptflow-vectordb
已安裝 Python 和提示流程延伸模組的 Visual Studio Code
Azure OpenAI 帳戶資源，具有聊天和文字內嵌-ada的模型部署
在 Azure Machine Learning 工作室中建立的向量索引，以供範例提示流程使用

本教學課程使用數據 RAG 提示流程的範例 Q&A，其中包含使用向量索引查閱工具的查閱節點，從儲存在工作區記憶體 Blob 中的已編製索引檔搜尋問題。

在 [Azure Machine Learning 工作室 提示流程] 頁面的 [連線] 索引卷標上，如果您還沒有連線，請設定 Azure OpenAI 資源的連線。如果您使用 Azure AI 搜尋服務索引作為向量索引的數據源，您也必須有 Azure AI 搜尋連線。
在 [Azure Machine Learning 工作室 提示流程] 頁面上，選取 [建立]。
在 [建立新的流程] 畫面上，選取 [數據] 圖格上的 [複製]，以複製範例提示流程。

複製的流程會在撰寫介面中開啟。
在複製流程的查閱步驟中，使用向量索引資訊填 入mlindex_content 輸入。
使用聊天 API 的連線和部署資訊，填入answer_the_question_with_context步驟。
請確定範例流程正確執行，並加以儲存。
選取 [檔案] 區段右上方的 [下載] 圖示。將流程檔案下載為 ZIP 套件至本機電腦。
將封裝解壓縮至資料夾。

本文的其餘部分詳細說明如何使用 VS Code 提示流程延伸模組來編輯流程。如果您不想使用提示流程延伸模組，您可以在任何集成開發環境（IDE）中開啟解壓縮的資料夾，並使用 CLI 來編輯檔案。如需詳細資訊，請參閱提示流程快速入門。

在已啟用提示流程擴充功能的 VS Code 中，開啟解壓縮的提示流程資料夾。
選取左側功能表中的 [提示流程 ] 圖示，以開啟 [提示流程管理] 窗格。
選取 [管理] 窗格中的 [安裝相依性]，並確定已選取正確的 Python 解釋器，並安裝 promptflow 和 promptflow-tools 套件。

若要在本機使用向量索引查閱工具，您必須建立與雲端相同的向量索引服務連線。

展開 [提示流程管理] 窗格底部的 [連線] 區段，然後選取 + AzureOpenAI 連線類型旁的圖示。
new_AzureOpenAI_connection.yaml 檔案會在編輯窗格中開啟。編輯此檔案以新增您的 Azure OpenAI 連線 name 和 api_base 或端點。尚未輸入您的 api_key 資訊。
選取檔案底部的 [ 建立連線 ] 連結。應用程式會執行以建立連線。出現提示時，請在終端機中輸入連線的 API 金鑰。
如果您使用 Azure AI 搜尋服務索引作為向量索引的數據源，也請為要使用的本機向量索引查閱工具建立新的 Azure AI 搜尋連線。如需詳細資訊，請參閱 Azure 機器學習的索引查閱工具（預覽版）。

開啟 flow.dag.yaml 檔案，然後選取檔案頂端的 [可視化編輯器] 連結。
在 flow.dag.yaml 的可視化編輯器版本中，捲動至查閱節點，此節點會取用此流程中的向量索引查閱工具。在 [mlindex_content] 下，檢查內嵌和索引的路徑和連線。

注意

如果您的索引檔是工作區中的數據資產，本機耗用量需要 Azure 驗證。請確定您已登入正確的 Azure 租使用者，並連線到 Azure 機器學習工作區。
在查詢輸入方塊中選取 [編輯] 圖示，這會將原始 flow.dag.yaml 檔案開啟至lookup節點定義。
請確定此節點中區段的值 tool 設定為 promptflow_vectordb.tool.vector_index_lookup.VectorIndexLookup.search，這是向量索引查閱工具的本機版本。

注意

如果您有本機工具的任何問題 promptflow_vectordb ，請參閱套件工具找不到錯誤，並從舊版工具移轉至索引查閱工具以進行疑難解答。
捲動至 generate_prompt_context 節點，然後在原始 flow.dag.yaml 檔案中，選取 [ 開啟程式代碼檔案 ] 連結。
Python 程式代碼檔案中，確定向量工具的套件名稱為 promptflow_vectordb。
捲動至 answer_the_question_with_context 節點，並確定它使用您所建立的本機連線。 請檢查deployment_name，這是您在這裡用於內嵌的模型。