3-4. プロンプトオーグメンテーション(検索結果の組み込み)

💡 具体例:RAG プロンプトテンプレート

あなたは社内文書に基づいて回答するアシスタントです。
以下のルールに従ってください。
- 回答は下記のコンテキストに書かれている情報のみに基づくこと
- コンテキストに答えが含まれない場合は「提供された文書からはわかりません」と答えること
- 回答の末尾に、根拠としたチャンクの出典(source)を挙げること

コンテキスト:
---
{context}
---

質問: {question}

区切り文字 --- でコンテキストの範囲を明示することで、モデルが「どこまでが参照資料で、どこからが質問か」を取り違えるのを防ぎます。

💡 具体例:RAG チェーンの全体コード

from databricks_langchain import ChatDatabricks, DatabricksVectorSearch
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 検索段(3-3):Databricks AI Search(旧 Vector Search) を retriever に
vector_store = DatabricksVectorSearch(
    index_name="main.rag.docs_index",
    columns=["chunk_text", "source"],
)
retriever = vector_store.as_retriever(search_kwargs={"k": 3})

# 検索結果(Documentのリスト)を出典付きテキストに整形
def format_docs(docs):
    return "\n\n".join(
        f"[出典: {d.metadata.get('source', '不明')}] {d.page_content}"
        for d in docs
    )

prompt = ChatPromptTemplate.from_template(
    "以下のコンテキストのみに基づいて回答してください。"
    "答えがなければ「提供された文書からはわかりません」と答えてください。"
    "回答の末尾に出典を挙げてください。\n\n"
    "コンテキスト:\n---\n{context}\n---\n\n質問: {question}"
)

llm = ChatDatabricks(endpoint="databricks-meta-llama-3-3-70b-instruct")

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

print(rag_chain.invoke("経費精算の締め日はいつですか?"))

流れ:質問文字列 → retriever が上位3チャンクを取得 → format_docs が出典付きテキストに整形して {context} へ、RunnablePassthrough が元の質問を {question} へ → プロンプト完成 → LLM が生成 → 文字列化。retriever | format_docs | prompt | llm | parser という並びが RAG チェーンの完成形です。