Заземяване: Закотвяне на отговорите във факти
На тази страница
Урокът е актуализиран на 3 ноември 2026 г. въз основа на документацията на OpenAI: параметрите
temperatureиtop_pсе приемат само при усилие за разсъждение (reasoning effort) със стойностnone, докато моделите GPT-5.6 разсъждават по подразбиране (medium). Следователно заявките, които задават тези параметри, трябва изрично да включватreasoning={"effort": "none"}(Responses API) илиreasoning_effort="none"(Chat Completions). Източници: Използване на GPT-6 · GPT-5.6 Terra.
Заземяване: Закотвяне на отговорите във факти
Заземяването ограничава модела да базира отговорите си единствено на предоставените от Вас данни, а не на вътрешните му познания. Това е първата Ви линия на защита срещу халюцинации и абсолютно задължително изискване, щом едно приложение излезе от етапа на прототип. Асистент за поддръжка, който измисли клауза от договор, не прави милa грешка: той юридически обвързва компанията Ви с клиента, който я е прочел.
Защо заземяването е от съществено значение
Големите езикови модели (LLM) генерират статистически вероятен текст, който не непременно съвпада с фактологически верния текст. Без заземяване моделът може да изфабрикува цитати, статистики или технически препратки, които звучат напълно правдоподобно: номер на версия, който никога не е съществувал, достоверен, но фалшив срок за размисъл, или име на параметър, измислено от нищото. Нищо във формулировката не издава фалшификацията, което точно прави явлението опасно в производствена среда. Колкото по-добре е написан отговорът, толкова по-малко вероятно е потребителят да го провери и толкова по-висок става юридическият и репутационният риск.
Техника 1: Изричен контекст
Най-простият метод е също и най-устойчивият: инжектирайте изходния текст в подкана (prompt) и забранете на модела да излиза извън него. Вашите инструкции трябва да включват три елемента: ограничение само до предоставения документ, точната фраза за отказ, която да се използва при липса на информация, и изискване за цитиране на използвания пасаж. Тествайте резултата върху граничен случай: заявка за възстановяване на средства след 45 дни трябва да задейства правилото за 50% частично възстановяване, а не угодническия отговор, който клиентът се надява да чуе.
from openai import OpenAI
client = OpenAI()
document = """
Acme Corp Refund Policy (v3.2, January 2026):
- Full refund within 30 days of purchase
- Partial refund (50%) between 30 and 60 days
- No refund after 60 days
- Customized products are non-refundable
- Refunds are processed within 5 business days
"""
system = """You are an Acme Corp customer support assistant.
STRICT RULES:
- Answer ONLY based on the document provided below
- If the answer is not in the document, say "I do not have
this information in our current policy"
- NEVER make assumptions beyond the document
- Quote the relevant passage in quotation marks
REFERENCE DOCUMENT:
""" + document
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system,
input="I would like a refund for an item purchased 45 days ago.",
temperature=0.1
)
Техника 2: Задължителни цитати
Следващото ниво изисква препратка за всяко твърдение в отговора. Това има двоен ефект. Отговорът става проверим от потребителя, който може да проследи източника до оригиналния пасаж, вместо да Ви вярва на дума. Освен това моделът се самоцензурира относно твърдения, които не може да свърже с никакъв източник, тъй като инструкцията изрично му казва да ги пропуска, вместо да ги предоставя без препратка. Номеризирането на документите в контекста, както прави функцията по-долу, също прави цитатите използваеми във Вашия интерфейс: „[Документ 2]“ може да се превърне в линк към правилния файл.
system_with_citations = """You are a research assistant.
For every assertion in your response, add a reference
to the source passage in brackets, for example: [Source: paragraph 3].
If you cannot cite a source passage, do not include the assertion.
Response format:
1. Response with inline citations
2. "Sources Used" section with exact excerpts"""
def reponse_grounded(question: str, documents: list[str]) -> str:
"""Generate a grounded response with citations."""
context = "\n\n---\n\n".join(
f"[Document {i+1}]\n{doc}"
for i, doc in enumerate(documents)
)
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system_with_citations + f"\n\nDOCUMENTS:\n{context}",
input=question,
temperature=0.1
)
return response.output_text
Техника 3: Проверка след генериране
Първите две техники намаляват риска, без никога да го елиминират напълно. За критични случаи добавете втори проход: специализирано заявка, която разбива отговора на елементарни твърдения и проверява всяко от тях спрямо източниците. Принципът е същият като при прегледа на код (code review) – авторът чете собствената си работа лошо, докато един свеж поглед я чете много по-добре – и тук работи по същата причина, тъй като верификаторът не е произвел текста, който изследва. Задаването на temperature на 0.0 не е детайл: верификаторът трябва да бъде възможно най-възпроизводим, в противен случай няма да знаете дали променящата се преценка идва от отговора или от „настроението“ на модела.
def verifier_grounding(reponse: str, sources: str) -> dict:
"""Verify whether a response is properly grounded in the sources."""
verification_prompt = f"""Analyze whether this response is faithful to the sources.
RESPONSE TO VERIFY:
{reponse}
SOURCES:
{sources}
For each assertion in the response, indicate:
- The assertion
- Whether it is supported by the sources (YES/NO)
- The corresponding source passage (or "None")
End with a grounding score: X supported assertions / Y total."""
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
input=verification_prompt,
temperature=0.0
)
return {"verification": response.output_text}
Техника 4: Защитно подканване срещу халюцинации
Определени формулировки значително намаляват халюцинациите и те не са взаимозаменяеми: всяка адресира различен симптом. Изричната формулировка просто позволява на модела да признае незнанието, което често е достатъчно. Наказващият подход ранжира грешките една спрямо друга, което е полезно, когато се сблъсквате с модел, който спонтанно предпочита да каже всичко, вместо нищо. Структурният подход извежда несигурността в самия изход, което е ценно, когато Вашият интерфейс трябва визуално да разграничава какво е сигурно от какво е изведено чрез умозаключение. Накрая, подходът с ограниченията очертава източника с тагове, което работи особено добре, когато инжектираният контекст е обемен и границата между документ и инструкция рискува да се размие.
defensive_prompts = {
"explicit": "If you do not know the answer, say 'I don't know'.",
"penalizing": "It is FORBIDDEN to invent information. "
"An 'I don't know' response is always preferable "
"to incorrect information.",
"structural": "For each point in your response, indicate your confidence level: "
"[CERTAIN] based on the document, "
"[PROBABLE] inferred from context, [UNCERTAIN] unverified.",
"constrained": "Answer using EXCLUSIVELY the information "
"between the <source> and </source> tags. "
"Any external information is forbidden."
}
Когато се използват правилно, тези формулировки намаляват халюцинациите с 60 до 80%. Въпреки това, трябва да наблюдавате това във Вашата собствена среда, вместо да разчитате на средна стойност: процентът на заземяване се изчислява чрез повторно изпълнение на проверката върху партида отговори и агрегиране на получените резултати.
def taux_grounding(reponses: list[dict]) -> float:
"""Calculate the grounding rate across a set of responses.
Each response is a dict with 'reponse' and 'sources'.
"""
scores = []
for item in reponses:
verif = verifier_grounding(item["reponse"], item["sources"])
# Extract the score (adapt to output format)
scores.append(verif)
return scores
Комбиниране с инструменти на API
API на OpenAI предлага два вградени инструмента, които Ви спестяват изграждането на собствен слой за търсене (retrieval layer). File Search претърсва качените от Вас документи и автоматично инжектира съответните откъси в контекста. Web Search закотвя отговорите в скорошни резултати от уеб, което помага, когато темата се развива по-бързо от Вашата документална база. И в двата случая инструкциите за ограничение остават съществени: инструментът се грижи за доставянето на материала, но Вашата подкана – и само Вашата подкана – забранява на модела да се отклонява от него.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Answer based only on the provided documents.",
input="What are the warranty conditions?",
tools=[{"type": "file_search"}]
)
Сега подложете цялата верига на тест върху вътрешен фирмен документ – ЧЗВ, общи условия, техническа документация, няма значение стига да е реален. Изградете заземения асистент, използвайки изричен контекст, задайте му десет въпроса, като три от тях умишлено засягат точки, отсъстващи от документа, и проверете дали той отказва да отговори на тези три, вместо да ги разкрасява. След това добавете проверка след генериране и измерете действителния си процент на заземяване: именно тази цифра, а не доверието, което влагате във Вашата подкана, решава дали асистентът е готов за производство.
Ключови изводи
- Заземяването е от съществено значение за всяко професионално приложение
- Инжектирайте изходния контекст директно в подканата и наложете цитиране
- Проверете заземяването след генериране за критични случаи
- Защитните формулировки намаляват халюцинациите с 60 до 80%
- Използвайте temperature=0.0-0.1, за да максимизирате верността спрямо източниците