sudden monolith
def create_context(question, df, max_len=1800, size="ada"):
"""
Cria um contexto para uma pergunta encontrando o contexto mais similar no conjunto de embeddings gerado utilizando o Custom Knowledge.
"""
# Obter a embeddings para a pergunta que foi feita
q_embeddings = client.embeddings.create(input=question,model='text-embedding-ada-002').data[0].embedding
# Obter as distâncias a partir dos embeddings
df['distances'] = distances_from_embeddings(q_embeddings, df['embeddings'].values, distance_metric='cosine')
returns = []
cur_len = 0
# Classifique por distância e adicione o texto ao contexto
for i, row in df.sort_values('distances', ascending=True).iterrows():
# Adicionar o comprimento do texto ao comprimento atual
cur_len += row['n_tokens'] + 4
# Se o contexto for muito longo, quebre
if cur_len > max_len:
break
# Caso contrário, adicione-o ao texto que está sendo retornado
returns.append(row["text"])
# Retornar o contexto
return "\n\n###\n\n".join(returns)
versed minnow