Retrieval: Rozdělování na části a hodnocení
Na této stránce
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:
- Parsing: Extrahuje čistý text ze zdrojového formátu
- Chunking: Rozdělí text na segmenty kontrolované velikosti
- Embedding: Převede každý chunk na vektor
- Indexing: Uloží vektory do vektorového indexu
V době dotazu:
- Query Embedding: Otázka je převedena na vektor
- Vector Search: Identifikuje nejbližší chunky
- Ranking: Znovu seřadí výsledky podle relevance
- 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 obsahu | max_chunk_size | overlap | Proč |
|---|---|---|---|
| FAQ, Q&A | 200-400 | 50 | Krátké, samostatné odpovědi |
| Technická dokumentace | 600-800 | 200 | Odstavce s kontextem |
| Smlouvy, právní texty | 800-1200 | 300 | Dlouhá, propojená ustanovení |
| Zdrojový kód | 400-600 | 100 | Funkce 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_thresholdfiltruje irelevantní výsledky- Před indexováním dokumenty vyčisti a nastrukturuj
- Kvalitu retrievalu vyhodnoť pomocí testovací sady