Retrieval: Chunking og Rangering
På denne side
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:
- Parsing: Uddrager råtekst fra kildeformatet
- Chunking: Opdeler teksten i segmenter af kontrolleret størrelse
- Embedding: Vektoriserer hver chunk
- Indexing: Gemmer vektorerne i vektorindekset
På forespørgselstidspunktet:
- Query Embedding: Spørgsmålet vektoriseres
- Vector Search: Identificerer de tætteste chunks
- Ranking: Gen-rangerer resultaterne efter relevans
- 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
| Indholdstype | max_chunk_size | overlap | Hvorfor |
|---|---|---|---|
| FAQ, Q&A | 200-400 | 50 | Korte, selvstændige svar |
| Teknisk Dokumentation | 600-800 | 200 | Afsnit med kontekst |
| Kontrakter, Juridiske Tekster | 800-1200 | 300 | Lange, indbyrdes forbundne klausuler |
| Kildekode | 400-600 | 100 | Funktioner 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
staticchunking med brugerdefineret størrelse og overlap forbedrer præcisionen- Små chunks til FAQ’er, store chunks til juridiske dokumenter
score_thresholdfiltrerer irrelevante resultater fra- Rens og strukturér dine dokumenter før indeksering
- Evaluér retrieval-kvaliteten med et testsæt