ステップ 1.clone code リポジトリとコンピュートの作成

このセクションのサンプルコードについては、 GitHub リポジトリを参照してください。

これらのステップに従って、サンプルコードを Databricks ワークスペースに読み込み、アプリケーションのグローバル設定を構成します。

要件

サーバレスコンピュート Databricksとが有効になっているワークスペース。Unity Catalog
既存の Mosaic AI Vector Search エンドポイントまたは新しいベクトル検索エンドポイントを作成するためのアクセス許可 (この場合は、setup ノートブックによって作成されます)。
解析済みドキュメントとチャンクされたドキュメントとベクトル検索インデックスを含む出力テーブルが格納されている既存のスキーマへの書き込みアクセス、または新しいカタログとスキーマを作成するためのアクセス許可 (この場合はセットアップノートブックによって作成されます)。Unity CatalogDelta
DBR 14.3 以降を実行しているシングルユーザークラスターで、インターネットにアクセスできるもの。必要なPythonおよびシステムパッケージをダウンロードするには、インターネットアクセスが必要です。 Databricks Runtime for Machine Learning を実行しているクラスターは、これらのチュートリアルで Databricks Runtime ML と Python パッケージが競合しているため、使用しないでください。

指示

このリポジトリを Git フォルダーを使用してワークスペースにクローンします。

rag_app_sample_code/00_global_config ノートブックを開き、そこで設定を調整します。

# The name of the RAG application.  This is used to name the chain's model in Unity Catalog and prepended to the output Delta tables and vector indexes
RAG_APP_NAME = 'my_agent_app'

# Unity Catalog catalog and schema where outputs tables and indexes are saved
# If this catalog/schema does not exist, you need create catalog/schema permissions.
UC_CATALOG = f'{user_name}_catalog'
UC_SCHEMA = f'rag_{user_name}'

## Name of model in Unity Catalog where the POC chain is logged
UC_MODEL_NAME = f"{UC_CATALOG}.{UC_SCHEMA}.{RAG_APP_NAME}"

# Vector Search endpoint where index is loaded
# If this does not exist, it will be created
VECTOR_SEARCH_ENDPOINT = f'{user_name}_vector_search'

# Source location for documents
# You need to create this location and add files
SOURCE_PATH = f"/Volumes/{UC_CATALOG}/{UC_SCHEMA}/source_docs"

01_validate_config_and_create_resourcesノートブックを開いて実行します。

次のステップ

POCのデプロイに進みます。