書籍「Azure OpenAI Service実践ガイド ～ LLMを組み込んだシステム構築」を読んで雑にメモる

message_text = [
    {"role":"system","content":"##役割 \n あなたは優秀なコピーライターです。ユーザーが提供するお題に対してのコピーを考えてください。\n ## 制約条件 \n ・コピーは20文字以内です。\n・漢字の割合を30%、ひらがなの割合を70%にします。\n・魅力的かつ印象的なコピーを考えてください。"},
    { "role": "user", "content": "ゆず味のアイスキャンディー" },
    { "role": "assistant", "content": "爽やかなゆずの口どけ" },
    {  "role": "user", "content": "サバ味のソフトクリーム"}
]

fields = [
        SimpleField(name="id", type=SearchFieldDataType.String, key=True),
        SearchableField(name="title", type=SearchFieldDataType.String),
        SearchableField(name="artist", type=SearchFieldDataType.String),
        SearchableField(name="description", type=SearchFieldDataType.String),
       ...
    ]

result = client.create_index(index)

search_client = SearchClient(endpoint,name, credential=AzureKeyCredential(key))
result = search_client.upload_documents(documents=DOCUMENT)

results = client.search(search_text="泣く女", include_total_count=True)

# ベクトル検索用の設定
vector_search = VectorSearch(
    algorithm_configurations=[
        HnswVectorSearchAlgorithmConfiguration(name="vectorConfig", kind="hnsw", parameters={"m": 4, "efConstruction": 400, "efSearch": 500, "metric": "cosine"})
    ]
)

 # ベクトル化
        response_title = openai.Embedding.create(input=[doc["title"]], engine=model_name)
        doc["title_vector"] = response_title["data"][0]["embedding"]

バージョンを変更した。エラーが出たので。
poetry add openai\[datalib\]==0.28

response_search_word_vector = openai.Embedding.create(input=key_word, engine="sampleEmbedding")
    results = client.search(search_text="", include_total_count=True, vectors=[Vector(
        value=response_search_word_vector["data"][0]["embedding"],
        k=3,
        fields="description_vector"
    )])

search_text="" の有無

result = client.create_index(semantic_index)

semantic_config = SemanticConfiguration(
    name="my-semantic-config",
    prioritized_fields=PrioritizedFields(title_field=SemanticField(field_name="title"), prioritized_content_fields=[SemanticField(field_name="description")]),
)

# 下記で追加の情報をフォーマット
 response = openai.Embedding.create(input=question ...)
  ...
    results = search_client.search(
        search_text=question,
        include_total_count=True,
        vectors=[Vector(
            ...
        )],
    )

# フォーマットした情報をpromptに追加する。
system_prompt = "あなたは優秀なサポートAIです。ユーザーから提供される情報をベースにあなたが学習している情報を付加して回答してください。"
    user_prompt = f"Q: {question}\nA: 参考情報:{search_result}"
    response = openai.ChatCompletion.create(
        ....
        messages=[
            { "role": "system", "content": system_prompt },
            { "role": "user", "content": user_prompt },
        ],
    )

 # なぜかエラーになる。。RuntimeError: Error loading long_text.txt
    # loader = TextLoader("long_text.txt", encoding="utf-8")
    # documents = loader.load()

split_documentではエラーになったので、下記にした
docs = text_spliter.create_documents(documents)

texts = vector_store.similarity_search(
        query="GPT-4を使ってどんなことができるの？",
        k=3,
        search_type="similarity",
    )

template = PromptTemplate.from_template("{keyword}を解説する書籍のタイトル案は？")
prompt = template.format(keyword="ChatGPT")

 chat = AzureChatOpenAI(
        openai_api_base=AZURE_OPENAI_API_BASE,
        openai_api_version="2023-07-01-preview",
        deployment_name="DEPLOYNAME",
        openai_api_type="azure",
        )   
    output = chat.predict(prompt)

planner = BasicPlanner()
    basic_plan = await planner.create_plan_async(ask, kernel)
    
    results = await planner.execute_plan_async(basic_plan, kernel)

functions = [
    {
        "name": "get_current_weather",
        "description": "対象地点の現在の天気を取得します。",
        "parameters": {
            "type": "object",
            "location": {
                "type": "string",
                "description": "都道府県や市区町村　例:東京都港区"
            },
            "required": ["location"]
        }
    }
]

response = openai.ChatCompletion.create(
        engine="",
        messages=messages,
        functions=functions,  <=== ここで設定する。
        function_call="auto",
        max_tokens=1000,
        temperature=0
    )

if response.choices[0].finish_reason == "function_call":