Премини към основното съдържание
Български— Изберете език
Меню

Търсене на файлове срещу персонализиран RAG: Кога да използвате кое

Урок 16 от 22 Обновен 29 юли 2026 г. Програмист
На тази страница
  1. Цели
  2. File Search: Управляваният RAG на OpenAI
  3. Какво Ви дава File Search и какво Ви отнема
  4. Матрица за вземане на решения
  5. Хибридна архитектура: Най-доброто от двата свята
  6. Ключови изводи

Цели

  • Да разберете управлявания RAG на OpenAI (File Search)
  • Да сравните File Search с персонализиран RAG конвейер
  • Да изберете правилния подход за Вашия случай на употреба

File Search: Управляваният RAG на OpenAI

Току-що изградихте всеки слой на RAG конвейера, урок след урок. File Search прави всичко това вместо Вас. Това е инструмент, вграден в API за отговори (Responses API) на OpenAI, който автоматично обработва разделянето на части (chunking), вграждането (embedding), векторното съхранение и търсенето: Вие качвате файловете си и задавате въпроси. Този урок не е отричане на предходното, а честен въпрос, който трябва да си зададете, преди да напишете какъвто и да е код: кое е правилното ниво на абстракция за Вашия проект?

Всичко започва с векторно хранилище (vector store) – контейнерът, който съдържа Вашите индексирани документи. Вие го създавате, качвате файловете в него един по един и след това изчаквате приключването на индексирането, преди да изпълните заявка. Този цикъл на изчакване не е козметичен: индексирането е асинхронно и заявка, стартирана твърде рано, ще види само част от корпуса.

from openai import OpenAI

client = OpenAI()

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

# 2. Upload files
files = ["user_guide.pdf", "faq.md", "changelog.txt"]

for file in files:
    with open(file, "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"  Uploaded: {file}")

# Wait for indexing to complete
import time
while True:
    vs = client.vector_stores.retrieve(vector_store.id)
    if vs.file_counts.completed == vs.file_counts.total:
        break
    time.sleep(2)
print("Indexing complete")

Самото заявяване става с едно единствено извикване: декларирате инструмента file_search с ID на хранилището и моделът решава кога да извлече информация. Интересната част е четенето на анотациите, които съдържат цитатите на файловете. Това Ви позволява да показвате източниците на потребителя – поведение, което трябваше да реализирате ръчно в персонализирания конвейер.

# Query with File Search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the new features in v3.2?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

# Access cited sources
for annotation in response.output:
    if hasattr(annotation, "annotations"):
        for ann in annotation.annotations:
            if ann.type == "file_citation":
                print(f"  Source: file {ann.file_citation.file_id}")

Две настройки Ви позволяват да финализирате поведението, без да напускате управлявания инструмент. max_num_results задава броя на извлечените части, а score_threshold филтрира резултатите с нисък резултат, точно както прагът за релевантност, който приложихте след повторното класиране (reranking).

response = client.responses.create(
    model="gpt-5.6-terra",
    input="How do I configure SSO?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 10,         # Number of chunks to retrieve
        "ranking_options": {
            "ranker": "auto",           # Automatic ranker
            "score_threshold": 0.3      # Relevance threshold
        }
    }]
)

Какво Ви дава File Search и какво Ви отнема

Решаващият аргумент в полза на File Search е пълната липса на инфраструктура: няма векторна база данни, която да предоставяте, архивирате или мониторите. Разделянето на части се извършва вместо Вас и се оптимизира от OpenAI, актуализирането на корпуса е толкова просто, колкото добавянето или премахването на файл, цитатите се генерират автоматично, а често срещаните формати се поддържат нативно – PDF, DOCX, MD, TXT, HTML, JSON, наред с други. Екип без експертиза в инфраструктурата може да пусне база знания онлайн за един следобед.

Обратната страна на това удобство е загубата на контрол над всяка връзка във веригата. Вие не избирате размера на частите, така че компромисът между прецизност и контекст от Урок 12 е извън Вашия контрол. Търсенето е чисто семантично: няма хибридно търсене, така че препратките към продукти и точните кодове за грешки остават крехки. Също така не можете да включите Cohere или собствен кръстосан енкодер (cross-encoder) за повторно класиране. Към това добавете още три стратегически съображения: векторното съхранение се таксува допълнително към API повикванията, Вашите данни се намират на сървърите на OpenAI и индексирането обхваща само текст.

Персонализираният конвейер обръща този списък дума по дума. Вие контролирате разделянето на части, вграждането, търсенето, повторното класиране и промптите; комбинирате семантично и лексикално търсене; смесвате доставчици на модели или държите всичко локално (on-premise), ако данните Ви го изискват; и най-вече, оптимизирате всеки компонент независимо, като измервате неговия ефект. Този контрол идва с цената на код за писане и поддръжка, векторна база данни за администриране и експертиза – разделянето на части, оценяването и повторното класиране не се импровизират, което е точно това, което този курс разглежда.

Матрица за вземане на решения

КритерийFile SearchПерсонализиран RAG
Бързо прототипиране✅ Идеално⚠️ По-бавно
Контрол над разделянето на части❌✅
Хибридно търсене❌✅
Чувствителни данни⚠️ При OpenAI✅ Локално (On-premise)
Разходи в мащаб⚠️ Може да са високи✅ Предвидими
Поддръжка✅ Нулева⚠️ За управление
Максимална производителност⚠️ Добра✅ Оптимизируема

Хибридна архитектура: Най-доброто от двата свята

Изборът не трябва да бъде окончателен и не бива да бъде такъв. Най-рентабилният подход е да започнете с File Search, за да валидирате, че Вашият случай на употреба е жизнеспособен, и след това да преминете към персонализиран конвейер в деня, в който достигнете идентифициран лимит. Обвиването на двете зад един единствен метод respond прави този преврат безболезнен за останалата част от Вашето приложение.

class HybridRAG:
    """Start with File Search, switch to custom if needed."""

    def __init__(self, mode: str = "file_search"):
        self.client = OpenAI()
        self.mode = mode

    def respond_file_search(self, question: str, vs_id: str) -> str:
        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=question,
            tools=[{
                "type": "file_search",
                "vector_store_ids": [vs_id]
            }]
        )
        return response.output_text

    def respond_custom(self, question: str, pipeline) -> str:
        result = pipeline.respond(question)
        return result["response"]

    def respond(self, question: str, **kwargs) -> str:
        if self.mode == "file_search":
            return self.respond_file_search(
                question, kwargs["vs_id"]
            )
        else:
            return self.respond_custom(
                question, kwargs["pipeline"]
            )

Когато миграцията стане необходима, тя следва точен ред:

  1. Експортирайте файловете си от векторното хранилище
  2. Внедрете разделяне на части, адаптирано към Вашето съдържание
  3. Генерирайте вграждания с text-embedding-3-large
  4. Индексирайте във векторна база данни (Qdrant, Pinecone и др.)
  5. Добавете повторно класиране и хибридно търсене
  6. Оценете с Вашия тестов набор от данни
  7. Сравнете метриките с File Search, преди да превключите

Последната стъпка е тази, която най-често се пропуска, и тя е единствената, която оправдава всичко останало: без количествено сравнение, може да сте заменили една прилична управлявана система с по-лоша собствена разработка, плюс тежестта от поддръжката.

Ключови изводи

  • File Search е идеален за бързо прототипиране на RAG система без инфраструктура
  • Персонализираният RAG конвейер предлага пълен контрол и оптимизируема производителност
  • Започнете с File Search, мигрирайте към персонализиран, когато достигнете лимити
  • Критерии за решение: контрол, чувствителни данни, разходи, производителност