Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Filsøgning: Indekser og forespørg dokumenter

Lektion 7 af 20 Udvikler
På denne side
  1. Filsøgning: Indekser og forespørg dokumenter
  2. Opret et vektorlager
  3. Upload og indeksering af filer
  4. Forespørg med filsøgning
  5. Undersøg søgeresultater
  6. Konfigurer søgning
  7. Håndter livscyklus for vektorlager
  8. Komplet eksempel: Dokumentationsassistent
  9. Vigtige pointer

Filsøgning: Indekser og forespørg dokumenter

Filsøgning lader modellen gennemsøge dine private dokumenter. Du uploader filer til et vektorlager, og modellen spørger dem automatisk, når den har brug for specifik information. Dette er fundamentet for RAG, som er bygget direkte ind i OpenAI API’en.

Opret et vektorlager

Vektorlageret er den organisatoriske enhed for filsøgning, og den struktur, du vælger her, vil følge dig i lang tid. Et enkelt lager til hele virksomheden er nemt at administrere, men blander dokumenter med urelaterede ordforråd, hvilket forringer relevansen. Adskilte lagre efter team eller domæne kræver lidt mere styring, men gør hver søgning betydeligt mere præcis. Når du er i tvivl, så adskil dem: Det er nemmere at sammenlægge senere end at rede trådene ud af et rod.

from openai import OpenAI

client = OpenAI()

# Create the vector store
vector_store = client.vector_stores.create(
    name="product-documentation"
)
print(f"Vector store created: {vector_store.id}")

Upload og indeksering af filer

Indeksering er asynkron, og dette er den hyppigste fejlkilde ved første forsøg: Du tilføjer filer, forespørger med det samme, og modellen siger, at den ikke fandt noget – ikke fordi søgningen fejlede, men fordi intet var indekseret endnu. Tjek altid status før forespørgsler, som vist i afsnittet om livscyklus.

Et ord om formater: Listen er bred, men alle filer er ikke lige gode. En PDF genereret fra et tekstbehandlingsprogram udtrækkes rent; en scannet PDF uden et tekstlag tilføjer intet, da der bogstaveligt talt ikke er nogen ord at indeksere.

import os

# Upload a single file
with open("user-guide.pdf", "rb") as f:
    file_obj = client.files.create(file=f, purpose="assistants")

# Attach to the vector store
client.vector_stores.files.create(
    vector_store_id=vector_store.id,
    file_id=file_obj.id
)

# Batch upload
folder = "./documentation/"
for filename in os.listdir(folder):
    path = os.path.join(folder, filename)
    if os.path.isfile(path):
        with open(path, "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
        )
        print(f"Indexed: {filename}")

Forespørg med filsøgning

Kaldet er bevidst ligetil: Du erklærer værktøjet, stiller dit spørgsmål, og modellen beslutter, om den skal søge. Alt RAG-arbejdet – opdeling, vektorisering, rangering og injicering i konteksten – sker på serveren. Dette sparer betydelig tid ved opstart, og næste lektion dækker de indstillinger, du skal kende, når standardindstillingerne ikke er nok.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the refund procedure for premium clients?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

Modellen søger automatisk i dine dokumenter og formulerer et svar baseret på det indhold, den finder.

Undersøg søgeresultater

Annotationer er det, der adskiller et verificerbart svar fra en blot påstand. Gør dem synlige for dine brugere: På en intern vidensbase ændrer muligheden for at spore tilbage til det originale dokument fuldstændigt tillidsniveauet til systemet – og hjælper dig med at spotte tilfælde, hvor modellen ramte ved siden af.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What SLAs are guaranteed in the contract?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

# Iterate through annotations
for item in response.output:
    if item.type == "message":
        for block in item.content:
            if hasattr(block, "annotations"):
                for ann in block.annotations:
                    if ann.type == "file_citation":
                        print(f"File: {ann.file_id}")
                        print(f"Position: {ann.start_index}-{ann.end_index}")

Konfigurer søgning

Antal resultater

At øge antallet af passager forbedrer ikke mekanisk svaret. Ud over cirka ti udvander svagt relevante uddrag de gode og forbruger faktureret kontekst. Hæv kun denne værdi, når svaret synligt er ufuldstændigt, ikke som et principspørgsmål.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="List all penalty clauses in the contract",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 20  # Default: 5, max: 50
    }]
)

Metadata-filtrering

Metadata er den mest underudnyttede løftestang for præcision. Filtrering efter år, afdeling eller dokumenttype før vektorsøgningen eliminerer støj på forhånd, som rangeringen ellers skulle have sorteret fra. Dette giver dig også mulighed for at svare „ifølge den nuværende procedure” i stedet for at blande tre successive versioner af samme dokument.

# Upload with metadata
with open("contract-2026.pdf", "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={
        "doc_type": "contract",
        "year": 2026,
        "client": "acme-corp"
    }
)

# Filtered search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the due date?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "filters": {
            "type": "eq",
            "key": "doc_type",
            "value": "contract"
        }
    }]
)

Sammensatte filtre

Kombiner flere kriterier ved hjælp af logiske operatorer:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Summarize contractual obligations for 2026",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "filters": {
            "type": "and",
            "filters": [
                {"type": "eq", "key": "doc_type", "value": "contract"},
                {"type": "gte", "key": "year", "value": 2026}
            ]
        }
    }]
)

Håndter livscyklus for vektorlager

Overvåg indeksering

# Check vector store status
vs = client.vector_stores.retrieve(vector_store.id)
print(f"Status: {vs.status}")
print(f"Files: {vs.file_counts.completed} indexed, "
      f"{vs.file_counts.in_progress} in progress, "
      f"{vs.file_counts.failed} failed")

Fjern forældede filer

# List files in the vector store
files = client.vector_stores.files.list(vector_store.id)
for f in files.data:
    print(f"{f.id} - {f.status}")

# Detach a file
client.vector_stores.files.delete(
    vector_store_id=vector_store.id,
    file_id="file_abc123"
)

Komplet eksempel: Dokumentationsassistent

def documentation_assistant(question: str, vs_id: str) -> dict:
    """Assistant that answers based on internal documentation."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        instructions=(
            "You are a documentation assistant. Answer solely based on the "
            "provided documents. If the information is not in the documents, "
            "state that clearly. Cite your sources."
        ),
        input=question,
        tools=[{
            "type": "file_search",
            "vector_store_ids": [vs_id],
            "max_num_results": 10
        }]
    )

    return {
        "answer": response.output_text,
        "model": response.model,
        "tokens": response.usage.total_tokens
    }

Vigtige pointer

  • Opret et vektorlager og upload dine filer for at aktivere filsøgning
  • Modellen beslutter selv, hvornår den skal søge i dokumenter
  • max_num_results styrer søgedybden
  • Metadata og filtre muliggør målrettet søgning
  • Overvåg indekseringsstatus før forespørgsler