Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Retrieval: Rozdělování na části a hodnocení

Lekce 8 z 20 Vývojář
Na této stránce
  1. Retrieval: Rozdělování na části a hodnocení
  2. Pipeline retrievalu
  3. Konfigurace strategie chunkingu
  4. Prahová hodnota relevance a hodnocení (Ranking)
  5. Optimalizace kvality retrievalu
  6. Měření kvality retrievalu
  7. Pokročilé strategie
  8. Klíčové poznatky

Retrieval: Rozdělování na části a hodnocení

File Search spoléhá na kompletní pipeline retrievalu: vaše dokumenty jsou rozděleny na části (chunky), převedeny na vektory, indexovány a následně seřazeny podle relevance při příchodu dotazu. Pochopení této pipeline ti umožní optimalizovat kvalitu odpovědí.

Pipeline retrievalu

Když nahraješ soubor do vector store, OpenAI automaticky provede:

  1. Parsing: Extrahuje čistý text ze zdrojového formátu
  2. Chunking: Rozdělí text na segmenty kontrolované velikosti
  3. Embedding: Převede každý chunk na vektor
  4. Indexing: Uloží vektory do vektorového indexu

V době dotazu:

  1. Query Embedding: Otázka je převedena na vektor
  2. Vector Search: Identifikuje nejbližší chunky
  3. Ranking: Znovu seřadí výsledky podle relevance
  4. Injection: Vloží nejlepší chunky do kontextu modelu

Konfigurace strategie chunkingu

Chunking je nastavení, které řídí vše ostatní, a kompromis je přímočarý. Krátké chunky poskytují přesné výsledky vyhledávání, ale nabízejí úryvky zbavené kontextu – najdeš správnou větu, ale ztratíš to, na co odkazuje. Dlouhé chunky zachovávají kontext, ale pohřbívají relevantní informace v irelevantním textu, což oslabuje skóre podobnosti.

Neexistuje žádná univerzální hodnota: správné nastavení závisí na struktuře tvého dokumentu, přesně jak shrnuje níže uvedená tabulka.

from openai import OpenAI

client = OpenAI()

# Default strategy: auto
vector_store = client.vector_stores.create(
    name="legal-base",
    chunking_strategy={"type": "auto"}
)

# Custom strategy: smaller chunks for higher precision
vector_store = client.vector_stores.create(
    name="support-faq",
    chunking_strategy={
        "type": "static",
        "static": {
            "max_chunk_size_tokens": 400,
            "chunk_overlap_tokens": 100
        }
    }
)

Výběr správné velikosti chunku

Typ obsahumax_chunk_sizeoverlapProč
FAQ, Q&A200-40050Krátké, samostatné odpovědi
Technická dokumentace600-800200Odstavce s kontextem
Smlouvy, právní texty800-1200300Dlouhá, propojená ustanovení
Zdrojový kód400-600100Funkce a třídy

Dopad překryvu (Overlap)

Překryv řeší specifický problém: informace přesahující hranici chunku by jinak byla rozříznuta napůl, což znamená, že ani jedna polovina by neodpovídala dotazu. Překrýváním chunků zajišťuješ, že každá věta zůstane nedotčená alespoň v jednom segmentu. Cenou je redundance – překryv 300 tokenů u chunků o 800 tocích ukládá téměř 40 % duplicitního textu.

# Original text (simplified)
# "Clause 5.1 states the supplier must deliver within 30 days.
#  In case of delay, penalties of 1% per day apply.
#  Clause 5.2 specifies penalties are capped at 15%."

# Without overlap: Clause 5.1 and penalties might end up in different chunks
# With overlap: the link between clause and penalties is preserved

Prahová hodnota relevance a hodnocení (Ranking)

Hodnocení určuje, které chunky jsou zachovány. Můžeš nakonfigurovat filtr:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the return policy?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 10,
        "ranking_options": {
            "ranker": "auto",
            "score_threshold": 0.5
        }
    }]
)

Parametr score_threshold filtruje výsledky pod prahem relevance. Hodnota 0,0 vrátí vše, zatímco 1,0 by byla příliš restriktivní. V praxi hodnoty mezi 0,3 a 0,6 přinášejí dobré výsledky.

Optimalizace kvality retrievalu

Příprava dokumentů

Toto je nejefektivnější páka v celé této lekci a jediná, která nic nestojí v nastaveních: dobře strukturovaný dokument se dobře indexuje. Používej explicitní nadpisy, úvodní větu pro každou sekci a vyhni se tabulkám převedeným na textovou kaši. Naopak žádné nastavení chunkingu nezachrání PDF, jehož extrakce produkuje propletené sloupce.

# Bad: Scanned PDF with approximate OCR
# -> Incoherent chunks, poor-quality embeddings

# Good: Structured document with headings and sections
# -> Chunks aligned with logical sections

# Pattern: Pre-process before upload
def prepare_document(raw_text: str) -> str:
    """Cleans and structures text before indexing."""
    # Remove repetitive headers/footers
    lines = raw_text.split("\n")
    lines = [l for l in lines if not is_header_footer(l)]

    # Normalize spaces
    text = "\n".join(lines)
    text = re.sub(r"\n{3,}", "\n\n", text)

    return text

Obohacení metadaty

Metadata umožňují předběžné filtrování před vektorovým vyhledáváním, což zlepšuje přesnost:

# Upload with rich metadata
documents = [
    {"file": "hr-policy-2026.pdf", "department": "hr", "type": "policy", "year": 2026},
    {"file": "supplier-contract-a.pdf", "department": "procurement", "type": "contract", "year": 2026},
    {"file": "it-security-guide.pdf", "department": "it", "type": "guide", "year": 2025},
]

for doc in documents:
    with open(doc["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,
        attributes={
            "department": doc["department"],
            "document_type": doc["type"],
            "year": doc["year"]
        }
    )

Měření kvality retrievalu

Bez měření je jakékoli nastavení chunkingu jen intuicí. Sada dvaceti otázek, u kterých znáš očekávanou odpověď a obsahující dokument, stačí k objektivizaci procesu: změň parametr, znovu spusť testovací sadu a porovnej výsledky. Je to malá práce ve srovnání s hodinami strávenými debatami o velikosti chunku bez dat.

def evaluate_retrieval(test_questions: list[dict], vs_id: str) -> dict:
    """Evaluates retrieval quality on a test set.

    Each element in test_questions contains:
    - question: the question to ask
    - expected_answer: keywords or phrases expected in the response
    """
    results = {"total": 0, "relevant": 0, "irrelevant": 0}

    for test in test_questions:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=test["question"],
            tools=[{
                "type": "file_search",
                "vector_store_ids": [vs_id],
                "max_num_results": 5
            }]
        )

        answer = response.output_text.lower()
        found_keywords = sum(
            1 for word in test["expected_answer"]
            if word.lower() in answer
        )

        results["total"] += 1
        if found_keywords >= len(test["expected_answer"]) * 0.5:
            results["relevant"] += 1
        else:
            results["irrelevant"] += 1

    results["relevance_rate"] = results["relevant"] / results["total"]
    return results

Pokročilé strategie

Vícenásobný Vector Store

Dotazuj se paralelně na více databází dokumentů:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Compare our HR policy with legal obligations",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [
            vs_internal_policies,
            vs_legal_texts
        ],
        "max_num_results": 15
    }]
)

Dekomponované dotazy

Otázka obsahující více požadavků vytvoří průměrný vektor, který se nepodobá žádnému z nich, což vede ke špatným výsledkům vyhledávání pro všechny. Rozdělení na samostatné podotázky přináší výrazně lepší výsledky – je to stejný princip jako u webového vyhledávání: přesný dotaz vítězí nad vyčerpávajícím.

def decomposed_search(complex_question: str, vs_id: str) -> str:
    """Decomposes a complex question into sub-searches."""
    # Step 1: Decompose the question
    decomposition = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Decompose this question into 2-3 simple sub-questions: {complex_question}",
    )

    # Step 2: Search for each sub-question
    sub_results = []
    for sub_q in decomposition.output_text.split("\n"):
        if sub_q.strip():
            r = client.responses.create(
                model="gpt-5.6-terra",
                input=sub_q.strip(),
                tools=[{"type": "file_search", "vector_store_ids": [vs_id]}]
            )
            sub_results.append(r.output_text)

    # Step 3: Synthesize
    synthesis = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Original question: {complex_question}\n\n"
              f"Intermediate results:\n" + "\n---\n".join(sub_results) +
              "\n\nSynthesize a complete and coherent answer."
    )
    return synthesis.output_text

Klíčové poznatky

  • Statické (static) rozdělování na části s vlastní velikostí a překryvem zlepšuje přesnost
  • Malé chunky pro FAQ, velké chunky pro právní dokumenty
  • score_threshold filtruje irelevantní výsledky
  • Před indexováním dokumenty vyčisti a nastrukturuj
  • Kvalitu retrievalu vyhodnoť pomocí testovací sady