Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Indexace korpusu dokumentů

Lekce 7 z 22 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Cíle
  2. Architektura sémantického indexu
  3. Pipeline indexace
  4. Přírůstkové aktualizace
  5. Kompletní použití
  6. Klíčové poznatky

Cíle

  • Vytvořit kompletní index pro sémantické vyhledávání
  • Zpracovávat různé formáty dokumentů (text, PDF, Markdown)
  • Aktualizovat index přírůstkově

Architektura sémantického indexu

Sémantický index stojí na třech pilířích, které musí zůstat v synchronizaci: původní dokumenty uložené i s metadaty, vektory (embeddings) vypočítané z jejich textu a mapování, které spojuje každý vektor se zdrojovým dokumentem. Právě ta třetí část je nejchatrnější – téměř vždy dochází k poškození indexu tehdy, když se na jedné straně něco smaže a posunou se indexy, zatímco na druhé straně zůstanou stejné.

Třída Document níže automaticky generuje MD5 hash při svém vytvoření. Později ho využijeme k detekci toho, co už bylo indexováno.

from dataclasses import dataclass, field
from openai import OpenAI
import numpy as np
import json
import hashlib

@dataclass
class Document:
    id: str
    texte: str
    metadata: dict = field(default_factory=dict)
    hash: str = ""

    def __post_init__(self):
        self.hash = hashlib.md5(self.texte.encode()).hexdigest()

Pipeline indexace

Krok 1: Načtení dokumentů

Načítání závisí na formátu a formát určuje granularitu. Obyčejný textový soubor se stane jedním dokumentem; soubor Markdown však často obsahuje několik odlišných témat a jeho indexace jako jednoho bloku by každé téma utopila v průměru těch ostatních. Druhý načítač proto rozděluje obsah podle nadpisů druhé úrovně a znovu vkládá název sekce do indexovaného textu – jde o techniku obohacení, kterou jsme probírali v lekci 3.

from pathlib import Path

def charger_fichiers_texte(dossier: str) -> list[Document]:
    """Načte všechny textové soubory ze složky."""
    documents = []
    for fichier in Path(dossier).rglob("*.txt"):
        contenu = fichier.read_text(encoding="utf-8").strip()
        if contenu:
            documents.append(Document(
                id=fichier.stem,
                texte=contenu,
                metadata={
                    "fichier": str(fichier),
                    "type": "txt",
                    "taille": len(contenu)
                }
            ))
    return documents

def charger_fichiers_markdown(dossier: str) -> list[Document]:
    """Načte soubory Markdown a rozdělí je podle sekcí."""
    documents = []
    for fichier in Path(dossier).rglob("*.md"):
        contenu = fichier.read_text(encoding="utf-8")
        sections = contenu.split("\n## ")

        for i, section in enumerate(sections):
            if not section.strip():
                continue
            titre = section.split("\n")[0].strip("# ")
            corps = "\n".join(section.split("\n")[1:]).strip()
            if corps:
                documents.append(Document(
                    id=f"{fichier.stem}_section_{i}",
                    texte=f"{titre}\n\n{corps}",
                    metadata={
                        "fichier": str(fichier),
                        "section": titre,
                        "type": "markdown"
                    }
                ))
    return documents

Krok 2: Vytvoření indexu

Třída IndexSemantique sjednocuje dávkovou konstrukci, vyhledávání na základě prahu a perzistenci na disk. Parametr seuil (prah) v metodě rechercher si zaslouží pozornost: bez něj by i dotaz mimo téma vrátil pět „nejméně špatných“ dokumentů se skóre kolem 0,15, které by nezkušený volající považoval za platné odpovědi. Odfiltrování všeho pod určitou hranicí ti umožní upřímně odpovědět: „Nic jsem nenašel.“

class IndexSemantique:
    def __init__(self, model: str = "text-embedding-3-large"):
        self.client = OpenAI()
        self.model = model
        self.documents: list[Document] = []
        self.embeddings: np.ndarray | None = None

    def construire(self, documents: list[Document], batch_size: int = 100):
        """Vytvoří index ze seznamu dokumentů."""
        self.documents = documents
        textes = [d.texte for d in documents]
        tous_embeddings = []

        for i in range(0, len(textes), batch_size):
            batch = textes[i:i + batch_size]
            response = self.client.embeddings.create(
                input=batch,
                model=self.model
            )
            batch_sorted = sorted(response.data, key=lambda x: x.index)
            tous_embeddings.extend([e.embedding for e in batch_sorted])
            print(f"  Batch {i // batch_size + 1} processed "
                  f"({min(i + batch_size, len(textes))}/{len(textes)})")

        self.embeddings = np.array(tous_embeddings, dtype=np.float32)
        print(f"Index built: {len(self.documents)} documents, "
              f"{self.embeddings.shape[1]} dimensions")

    def rechercher(self, requete: str, k: int = 5,
                   seuil: float = 0.0) -> list[dict]:
        """Vyhledá k nejrelevantnějších dokumentů."""
        query_emb = self.client.embeddings.create(
            input=requete,
            model=self.model
        ).data[0].embedding

        scores = self.embeddings @ np.array(query_emb)
        top_indices = np.argsort(scores)[-k:][::-1]

        resultats = []
        for idx in top_indices:
            score = float(scores[idx])
            if score >= seuil:
                doc = self.documents[idx]
                resultats.append({
                    "id": doc.id,
                    "texte": doc.texte[:200],
                    "score": score,
                    "metadata": doc.metadata
                })
        return resultats

    def sauvegarder(self, chemin: str):
        """Uloží index na disk."""
        np.save(f"{chemin}_embeddings.npy", self.embeddings)
        docs_serialisables = [
            {"id": d.id, "texte": d.texte,
             "metadata": d.metadata, "hash": d.hash}
            for d in self.documents
        ]
        with open(f"{chemin}_documents.json", "w") as f:
            json.dump(docs_serialisables, f, ensure_ascii=False)

    def charger(self, chemin: str):
        """Načte index z disku."""
        self.embeddings = np.load(f"{chemin}_embeddings.npy")
        with open(f"{chemin}_documents.json") as f:
            docs = json.load(f)
        self.documents = [
            Document(id=d["id"], texte=d["texte"],
                     metadata=d["metadata"])
            for d in docs
        ]

Metody sauvegarder a charger zapisují dva soubory se stejnou prefixovou částí názvu. Zacházej s nimi jako s nerozlučnou dvojicí: zkopírování jednoho bez druhého nebo obnovení částečné zálohy vytvoří index, kde vektory již neodpovídají dokumentům – jde o tichou chybu, která se projeví až jako absurdní výsledky.

Přírůstkové aktualizace

Korpus se vyvíjí: tři dokumenty upravené v pondělí, deset přidaných ve středu. Přepočítávání patnácti tisíc vektorů při každé změně plýtvá časem i penězi. Zde přichází na řadu MD5 hash: identifikuje obsah, nikoliv soubor, takže přejmenovaný, ale nezměněný dokument nebude znovu indexován, zatímco upravený dokument vyprodukuje odlišný hash.

def mettre_a_jour(self, nouveaux_docs: list[Document]):
    """Přidá dokumenty do existujícího indexu."""
    # Odfiltruje již indexované dokumenty
    hashes_existants = {d.hash for d in self.documents}
    docs_a_ajouter = [
        d for d in nouveaux_docs if d.hash not in hashes_existants
    ]

    if not docs_a_ajouter:
        print("No new documents to index")
        return

    textes = [d.texte for d in docs_a_ajouter]
    response = self.client.embeddings.create(
        input=textes,
        model=self.model
    )

    nouveaux_vecteurs = np.array(
        [e.embedding for e in sorted(response.data, key=lambda x: x.index)],
        dtype=np.float32
    )

    self.documents.extend(docs_a_ajouter)
    self.embeddings = np.vstack([self.embeddings, nouveaux_vecteurs])
    print(f"{len(docs_a_ajouter)} documents added. "
          f"Total: {len(self.documents)}")

Funkce np.vstack naskládá nové vektory pod staré ve stejném pořadí, v jakém extend rozšířil seznam dokumentů: tato symetrie zachovává mapování. Všimni si však omezení této implementace – pouze přidává, nemaže ani nenahrazuje. Upravený dokument se tak v indexu objeví dvakrát, ve staré i nové verzi. Řešení mazání vyžaduje odstranění odpovídajícího řádku z matice, což je v NumPy nákladná operace, a to je jeden z důvodů, proč týmy přecházejí na specializované vektorové databáze.

Kompletní použití

Od začátku do konce zabere vytvoření indexu nad dokumentací jen několik řádků.

# Vytvoření a naplnění indexu
index = IndexSemantique()

docs = charger_fichiers_markdown("./documentation/")
print(f"{len(docs)} sections loaded")

index.construire(docs)
index.sauvegarder("mon_index")

# Vyhledávání
resultats = index.rechercher("how to configure authentication", k=3)
for r in resultats:
    print(f"[{r['score']:.3f}] {r['id']}")
    print(f"  {r['texte'][:100]}...")

Spusť to na vlastní dokumentaci a polož tři otázky, u kterých znáš odpovědi. Pokud se správný dokument neumístí na první místo, viníkem je téměř vždy chunking – sekce jsou příliš dlouhé nebo chybí znovu vložené nadpisy – spíše než samotný model pro vytváření vektorů.

Klíčové poznatky

  • Sémantický index propojuje dokumenty, vektory a metadata
  • Načítej dokumenty z různých formátů (text, Markdown atd.)
  • Vytvářej index po dávkách, abys zvládl velké korpusy
  • Ukládej a aktualizuj přírůstkově, abys předešel přepočítávání všeho