Grounding: Kotvení odpovědí ve faktech
Na této stránce
Lekce aktualizována 3. listopadu 2026 na základě dokumentace OpenAI: parametry
temperatureatop_pjsou přijímány pouze při úsilí o uvažování (reasoning effort) nastaveném nanone, zatímco modely GPT-5.6 ve výchozím nastavení uvažují (medium). Volání, která tyto parametry nastavují, musí proto specifikovatreasoning={"effort": "none"}(Responses API) neboreasoning_effort="none"(Chat Completions). Zdroje: Using GPT-6 · GPT-5.6 Terra.
Grounding: Kotvení odpovědí ve faktech
Grounding (kotvení) nutí model zakládat své odpovědi výhradně na datech, která mu poskytnete, nikoliv na jeho interních znalostech. Je to vaše první linie obrany proti halucinacím a nepostradatelný požadavek ve chvíli, kdy aplikace opustí fázi prototypu. Asistent podpory, který si vymyslí ustanovení smlouvy, nedělá roztomilou chybu: právně zavazuje vaši společnost vůči klientovi, který si ji přečetl.
Proč je grounding nezbytný
LLM generují statisticky pravděpodobný text, což nemusí nutně znamenat text fakticky správný. Bez kotvení může model fabricovat citace, statistiky nebo technické odkazy, které znějí zcela věrohodně: verzi softwaru, která nikdy neexistovala, důvěryhodnou, ale falešnou lhůtu pro odstoupení od smlouvy, nebo název parametru vymyšlený z čistého vzduchu. Nic ve formulaci neprozradí, že jde o výmysl, což je přesně to, co činí tento jev v produkčním prostředí tak nebezpečným. Čím lépe je odpověď napsána, tím méně pravděpodobné je, že si ji uživatel ověří, a tím vyšší se stává právní a reputační riziko.
Technika 1: Explicitní kontext
Nejjednodušší metoda je zároveň ta nejrobustnější: vložte zdrojový text přímo do promptu a modelu zakročte překročit jeho rámec. Vaše instrukce musí obsahovat tři prvky: omezení pouze na poskytnutý dokument, přesnou frázi pro případ chybějících informací a požadavek na citaci použitého úryvku. Výsledek otestujte na hraničním případě: žádost o vrácení peněz po 45 dnech musí spustit pravidlo pro 50% částečnou refundaci, nikoliv vstřícnou odpověď, kterou by zákazník rád slyšel.
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
)
Technika 2: Povinné citace
Další úroveň vyžaduje odkaz na zdroj pro každé učiněné tvrzení. To má dvojitý efekt. Odpověď se stává ověřitelnou pro uživatele, který si ji může dohledat zpět k původnímu úryvku, místo aby vám věřil jen na slovo. Model se zároveň autocenzuruje u tvrzení, která nedokáže spojit se žádným zdrojem, protože instrukce mu explicitně přikazují tato tvrzení vynechat, nikoliv je dodávat bez odkazu. Číslování dokumentů v kontextu, jak to dělá funkce níže, také umožňuje využít citace ve vašem rozhraní: „[Dokument 2]“ se může stát klikacím odkazem na správný soubor.
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
Technika 3: Ověření po generování
První dvě techniky snižují riziko, ale nikdy ho zcela neodstraňují. U kritických případů přidejte druhý průchod: specializované volání, které rozloží odpověď na elementární tvrzení a každé z nich zkontroluje proti zdrojům. Princip je stejný jako u code review – autor čte svou vlastní práci hůře, zatímco čerstvý pár očí ji čte mnohem lépe – a funguje zde ze stejného důvodu, protože ověřovatel netvořil text, který zkoumá. Nastavení teploty na 0,0 není detail: ověřovatel musí být co nejreprodukovatelnější, jinak nezjistíte, zda změna verdiktu pochází z odpovědi, nebo z „nálady“ modelu.
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}
Technika 4: Defenzivní promptování proti halucinacím
Určité formulace významně snižují halucinace a nejsou zaměnitelné: každá řeší odlišný symptom. Explicitní formulace jednoduše umožňuje modelu přiznat nevědomost, což často stačí. Penalizační přístup řadí chyby proti sobě, což je užitečné, když čelíte modelu, který spontánně preferuje říct cokoliv raději než nic. Strukturální přístup vynáší nejistotu přímo ve výstupu, což je cenné, pokud vaše rozhraní potřebuje vizuálně odlišit to, co je jisté, od toho, co je odvozeno. Nakonec přístup s omezením vymezuje zdroj pomocí tagů, což funguje obzvláště dobře, když je vložený kontext rozsáhlý a hrozí rozmazání hranice mezi dokumentem a instrukcí.
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."
}
Při správném použití tyto formulace snižují halucinace o 60 až 80 %. Musíte to však pozorovat ve svém vlastním prostředí, nikoliv se spoléhat na průměr: míra kotvení se vypočítá opětovným spuštěním ověření na dávce odpovědí a agregací získaných skóre.
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
Kombinace s nástroji API
API OpenAI nabízí dva nativní nástroje, které vás zbaví nutnosti budovat vlastní vrstvu pro vyhledávání (retrieval layer). File Search prohledává dokumenty, které jste nahráli, a automaticky vkládá relevantní úryvky do kontextu. Web Search kotví odpovědi v nedávných výsledcích z webu, což pomáhá, když se téma vyvíjí rychleji než vaše databáze dokumentů. V obou případech zůstávají omezující instrukce nezbytné: nástroj se postará o přinesení materiálu, ale váš prompt – a pouze váš prompt – zakazuje modelu se od něj odchýlit.
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"}]
)
Nyní celý řetězec důkladně otestujte na interním firemním dokumentu – ať už jde o FAQ, obchodní podmínky nebo technickou dokumentaci, nezáleží na tom, hlavní je, aby byl reálný. Vytvořte kotveného asistenta pomocí explicitního kontextu, položte mu deset otázek, z nichž tři záměrně pokrývají body v dokumentu nepřítomné, a ověřte, že na tyto tři odmítne odpovědět, místo aby si vymýšlel. Poté přidejte ověření po generování a změřte svou skutečnou míru kotvení: právě toto číslo, nikoliv důvěra, kterou vkládáte do svého promptu, rozhoduje o tom, zda je asistent připraven na nasazení do produkce.
Klíčové poznatky
- Grounding je nezbytný pro jakoukoli profesionální aplikaci
- Vložte zdrojový kontext přímo do promptu a vynucujte citace
- U kritických případů ověřte kotvení po generování
- Defenzivní formulace snižují halucinace o 60 až 80 %
- Použijte
temperature=0.0až0.1pro maximalizaci věrnosti zdrojům