Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Retrieval: Chunking og Rangering

Lektion 8 af 20 Udvikler
På denne side
  1. Retrieval: Chunking og Rangering
  2. Retrieval-pipelinen
  3. Konfiguration af Chunking-strategi
  4. Relevanstærskel og Rangering
  5. Optimering af Retrieval-kvalitet
  6. Måling af Retrieval-kvalitet
  7. Avancerede Strategier
  8. Vigtige pointer

Retrieval: Chunking og Rangering

File Search er afhængig af en komplet retrieval-pipeline: Dine dokumenter opdeles i chunks, vektoriseres, indekseres og rangeres derefter efter relevans, når en forespørgsel ankommer. Forståelse af denne pipeline giver dig mulighed for at optimere svarkvaliteten.

Retrieval-pipelinen

Når du uploader en fil til et vector store, udfører OpenAI automatisk følgende:

  1. Parsing: Uddrager råtekst fra kildeformatet
  2. Chunking: Opdeler teksten i segmenter af kontrolleret størrelse
  3. Embedding: Vektoriserer hver chunk
  4. Indexing: Gemmer vektorerne i vektorindekset

På forespørgselstidspunktet:

  1. Query Embedding: Spørgsmålet vektoriseres
  2. Vector Search: Identificerer de tætteste chunks
  3. Ranking: Gen-rangerer resultaterne efter relevans
  4. Injection: Indsætter de bedste chunks i modellens kontekst

Konfiguration af Chunking-strategi

Chunking er den indstilling, der driver alt andet, og afvejningen er ligetil. Korte chunks giver præcise søgeresultater, men leverer uddrag blottet for kontekst – du finder den rigtige sætning, men mister henvisningen. Lange chunks bevarer konteksten, men begraver relevant information i irrelevant tekst, hvilket svækker lighedsscoren.

Der findes ingen universel værdi: Den rigtige indstilling afhænger af din dokumentstruktur, præcis som opsummeret i tabellen nedenfor.

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
        }
    }
)

Valg af den rigtige Chunk-størrelse

Indholdstypemax_chunk_sizeoverlapHvorfor
FAQ, Q&A200-40050Korte, selvstændige svar
Teknisk Dokumentation600-800200Afsnit med kontekst
Kontrakter, Juridiske Tekster800-1200300Lange, indbyrdes forbundne klausuler
Kildekode400-600100Funktioner og klasser

Betydningen af Overlap

Overlap løser et specifikt problem: Information, der strækker sig over en chunk-grænse, ville ellers blive skåret over, således at ingen af halvdelene matcher forespørgslen. Ved at overlappe chunks sikrer du, at hver sætning fremstår intakt i mindst ét segment. Omkostningen er redundans – et overlap på 300 tokens ved 800-token chunks lagrer næsten 40 % duplikeret tekst.

# 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

Relevanstærskel og Rangering

Rangering afgør, hvilke chunks der beholdes. Du kan konfigurere et filter:

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
        }
    }]
)

score_threshold filtrerer resultater fra under en bestemt relevanstærskel. En værdi på 0,0 returnerer alt, mens 1,0 ville være for restriktivt. I praksis giver 0,3 til 0,6 gode resultater.

Optimering af Retrieval-kvalitet

Forberedelse af Dokumenter

Dette er den mest omkostningseffektive løftestang i hele denne lektion, og den eneste, der ikke koster noget i indstillinger: Et velformuleret dokument indekseres godt. Brug eksplicitte overskrifter, en indledningssætning for hvert afsnit, og undgå tabeller, der er konverteret til tekstgrød. Omvendt vil ingen chunking-indstilling kunne redde en PDF, hvis udtrækning producerer sammenfiltrede kolonner.

# 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

Berigelse med Metadata

Metadata muliggør præ-filtrering før vektorsøgning, hvilket forbedrer præcisionen:

# 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"]
        }
    )

Måling af Retrieval-kvalitet

Uden måling er enhver chunking-indstilling blot intuition. Et sæt på tyve spørgsmål, hvor du kender det forventede svar og det indeholdende dokument, er nok til at objektivere processen: ændr en parameter, genkør testsættet og sammenlign. Dette er lidt arbejde sammenlignet med timer brugt på at diskutere chunk-størrelse uden data.

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

Avancerede Strategier

Multi-Vector-Store

Forespørg flere dokumentbaser parallelt:

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
    }]
)

Dekomponerede Forespørgsler

Et spørgsmål, der indeholder flere anmodninger, producerer en gennemsnitlig vektor, der ikke ligner nogen af dem, hvilket fører til dårlige søgeresultater for alle. Opdeling i separate delspørgsmål giver betydeligt bedre resultater – dette er samme princip som websøgning: En præcis forespørgsel slår en udtømmende.

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

Vigtige pointer

  • static chunking med brugerdefineret størrelse og overlap forbedrer præcisionen
  • Små chunks til FAQ’er, store chunks til juridiske dokumenter
  • score_threshold filtrerer irrelevante resultater fra
  • Rens og strukturér dine dokumenter før indeksering
  • Evaluér retrieval-kvaliteten med et testsæt