Премини към основното съдържание
Български— Изберете език
Меню

Търсене във файлове: Индексиране и заявяване на документи

Урок 7 от 20 Програмист
На тази страница
  1. Търсене във файлове: Индексиране и заявяване на документи
  2. Създаване на векторно хранилище
  3. Качване и индексиране на файлове
  4. Заявка с търсене във файлове
  5. Преглед на резултатите от търсенето
  6. Конфигуриране на търсенето
  7. Управление на жизнения цикъл на векторното хранилище
  8. Пълен пример: Асистент за документация
  9. Ключови изводи

Търсене във файлове: Индексиране и заявяване на документи

Търсенето във файлове позволява на модела да претърсва Вашите частни документи. Вие качвате файлове във векторно хранилище, а моделът автоматично ги заявява, когато му е необходима конкретна информация. Това е основата на RAG (Retrieval-Augmented Generation), вградена директно в API на OpenAI.

Създаване на векторно хранилище

Векторното хранилище е организационната единица за търсене във файлове и структурата, която изберете тук, ще остане с Вас за дълго време. Едно единствено хранилище за цялата компания е лесно за администриране, но смесва документи с несвързана терминология, което влошава релевантността. Отделните хранилища по екип или домейн изискват малко повече управление, но правят всяко търсене значително по-точно. Когато се колебаете, ги разделете: по-лесно е да обедините хранилища по-късно, отколкото да разплитате бъркотия.

from openai import OpenAI

client = OpenAI()

# Create the vector store
vector_store = client.vector_stores.create(
    name="product-documentation"
)
print(f"Vector store created: {vector_store.id}")

Качване и индексиране на файлове

Индексирането е асинхронно и това е най-честият източник на грешки при първия опит: добавяте файлове, правите заявка веднага и моделът казва, че не е намерил нищо – не защото търсенето е се провалило, а защото все още нищо не е индексирано. Винаги проверявайте статуса преди заявка, както е показано в раздела за жизнения цикъл.

Няколко думи относно форматите: списъкът е обширен, но не всички файлове са еднакви. PDF, генериран от текстов процесор, се извлича чисто; сканиран PDF без текстов слой не добавя нищо, тъй като буквално няма думи за индексиране.

import os

# Upload a single file
with open("user-guide.pdf", "rb") as f:
    file_obj = client.files.create(file=f, purpose="assistants")

# Attach to the vector store
client.vector_stores.files.create(
    vector_store_id=vector_store.id,
    file_id=file_obj.id
)

# Batch upload
folder = "./documentation/"
for filename in os.listdir(folder):
    path = os.path.join(folder, filename)
    if os.path.isfile(path):
        with open(path, "rb") as f:
            file_obj = client.files.create(file=f, purpose="assistants")
        client.vector_stores.files.create(
            vector_store_id=vector_store.id,
            file_id=file_obj.id
        )
        print(f"Indexed: {filename}")

Заявка с търсене във файлове

Извикването е умишлено просто: декларирате инструмента, задавате въпроса си и моделът решава дали да търси. Цялата работа на RAG – разделяне на части (chunking), векторизация, класиране и инжектиране в контекста – се извършва на сървъра. Това спестява значително време при стартиране, а следващият урок обхваща настройките, които трябва да знаете, когато стойностите по подразбиране не са достатъчни.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the refund procedure for premium clients?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

Моделът автоматично търси във Вашите документи и формулира отговор въз основа на съдържанието, което открива.

Преглед на резултатите от търсенето

Анотациите са това, което отличава един проверим отговор от обикновено твърдение. Предоставете ги на Вашите потребители: във вътрешна база знания възможността да се проследи източникът до оригиналния документ напълно променя нивото на доверие в системата – и Ви помага да откриете случаи, в които моделът е сбъркал.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What SLAs are guaranteed in the contract?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

# Iterate through annotations
for item in response.output:
    if item.type == "message":
        for block in item.content:
            if hasattr(block, "annotations"):
                for ann in block.annotations:
                    if ann.type == "file_citation":
                        print(f"File: {ann.file_id}")
                        print(f"Position: {ann.start_index}-{ann.end_index}")

Конфигуриране на търсенето

Брой резултати

Увеличаването на броя на пасажите не подобрява механично отговора. Отвъд десетина, слабо релевантните откъси разреждат добрите и консумират таксуем контекст. Повишавайте тази стойност само когато отговорът е видимо непълен, а не като принцип.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="List all penalty clauses in the contract",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 20  # Default: 5, max: 50
    }]
)

Филтриране чрез метаданни

Метаданните са най-недоизползваният лост за прецизност. Филтрирането по година, отдел или тип документ преди векторното търсене елиминира шума предварително, който иначе класирането би трябвало да филтрира. Това също така Ви позволява да отговаряте „съгласно текущата процедура“, вместо да смесвате три последователни версии на един и същи документ.

# Upload with metadata
with open("contract-2026.pdf", "rb") as f:
    file_obj = client.files.create(file=f, purpose="assistants")

client.vector_stores.files.create(
    vector_store_id=vector_store.id,
    file_id=file_obj.id,
    attributes={
        "doc_type": "contract",
        "year": 2026,
        "client": "acme-corp"
    }
)

# Filtered search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the due date?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "filters": {
            "type": "eq",
            "key": "doc_type",
            "value": "contract"
        }
    }]
)

Съставни филтри

Комбинирайте множество критерии, използвайки логически оператори:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Summarize contractual obligations for 2026",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "filters": {
            "type": "and",
            "filters": [
                {"type": "eq", "key": "doc_type", "value": "contract"},
                {"type": "gte", "key": "year", "value": 2026}
            ]
        }
    }]
)

Управление на жизнения цикъл на векторното хранилище

Мониторинг на индексирането

# Check vector store status
vs = client.vector_stores.retrieve(vector_store.id)
print(f"Status: {vs.status}")
print(f"Files: {vs.file_counts.completed} indexed, "
      f"{vs.file_counts.in_progress} in progress, "
      f"{vs.file_counts.failed} failed")

Премахване на остарели файлове

# List files in the vector store
files = client.vector_stores.files.list(vector_store.id)
for f in files.data:
    print(f"{f.id} - {f.status}")

# Detach a file
client.vector_stores.files.delete(
    vector_store_id=vector_store.id,
    file_id="file_abc123"
)

Пълен пример: Асистент за документация

def documentation_assistant(question: str, vs_id: str) -> dict:
    """Assistant that answers based on internal documentation."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        instructions=(
            "You are a documentation assistant. Answer solely based on the "
            "provided documents. If the information is not in the documents, "
            "state that clearly. Cite your sources."
        ),
        input=question,
        tools=[{
            "type": "file_search",
            "vector_store_ids": [vs_id],
            "max_num_results": 10
        }]
    )

    return {
        "answer": response.output_text,
        "model": response.model,
        "tokens": response.usage.total_tokens
    }

Ключови изводи

  • Създайте векторно хранилище и качете файловете си, за да активирате търсенето във файлове
  • Моделът решава самостоятелно кога да търси в документите
  • max_num_results контролира дълбочината на търсенето
  • Метаданните и филтрите позволяват целево търсене
  • Следете статуса на индексирането преди заявка