Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Hybrid søgning: kombination af web og filer

Lektion 9 af 20 Opdateret 2. november 2026 Udvikler
På denne side
  1. Hybrid søgning: kombination af web og filer
  2. Aktiver begge værktøjer
  3. Use case: regulatorisk overvågning
  4. Use case: berigelse af vidensbase
  5. Tilføj brugerdefinerede funktioner til blandingen
  6. Håndter kildeprioritet
  7. Komplet mønster: hybrid søgeassistent
  8. Vigtige pointer

Lektion opdateret 2. november 2026 baseret på OpenAI-dokumentation: Code Interpreter-værktøjet kræver nu en container-parameter (tilføjet til alle eksempler), inputtekstdele er af typen input_text, og websøgning bruger værktøjet web_search (web_search_preview er nu et forældet værktøj uden domænefiltre). Genererede filer hentes ved hjælp af funktionerne fichiers_generes og telecharger fra lektion 10. Kilder: Code Interpreter · Web search.

Hybrid søgning: kombination af web og filer

De to søgeværktøjer besvarer forskellige spørgsmål, og brugt isoleret er hver især ufuldstændig. File Search ved, hvad du har skrevet; Web Search ved, hvad verden har offentliggjort. Mange nyttige spørgsmål befinder sig præcis i skæringspunktet mellem de to: Er vores procedure stadig compliant? Er vores dokumentation ajourført? Hvor står vi i forhold til markedet?

Disse spørgsmål deler en fælles egenskab, der forklarer deres værdi: Ingen kan besvare dem uden at læse begge sider. Det er dette krydsfelt, ikke selve søgningen, der gør denne lektion værdifuld.

Aktiver begge værktøjer

Erklær begge værktøjer samtidigt i tools-arrayet:

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Sammenlign vores politik for fjernarbejde med nuværende markedstendenser",
    tools=[
        {
            "type": "file_search",
            "vector_store_ids": ["vs_abc123"],
            "max_num_results": 10
        },
        {
            "type": "web_search",
            "search_context_size": "medium"
        }
    ]
)

print(response.output_text)

Modellen beslutter selv, hvornår den skal bruge hvert værktøj. Ved et spørgsmål om dine interne dokumenter vil den bruge File Search. Ved offentlige data vil den bruge Web Search. Ved en sammenligning vil den bruge begge.

Use case: regulatorisk overvågning

Regulatorisk overvågning er skoleeksemplet, fordi kløften mellem de to kilder netop er det, vi leder efter. Bed eksplicit om forskelle, ikke et resumé af hver side: en model, der bliver bedt om at resumere, vil producere to korrekte synteser og overlade sammenligningen til dig, hvilket er den eneste svære del af arbejdet.

def audit_conformite(sujet: str, vs_processus: str) -> dict:
    """Sammenligner interne processer med gældende regulativer."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        instructions=(
            "Du er en compliance-revisor. For hvert punkt skal du: "
            "1. Søge i interne dokumenter for at finde ud af, hvad der aktuelt er på plads "
            "2. Søge på nettet efter gældende regulativer "
            "3. Identificere huller mellem de to "
            "4. Foreslå korrigerende handlinger"
        ),
        input=f"Revider compliancen af vores processer omkring emnet: {sujet}",
        tools=[
            {
                "type": "file_search",
                "vector_store_ids": [vs_processus],
                "max_num_results": 15
            },
            {
                "type": "web_search",
                "search_context_size": "high"
            }
        ]
    )

    return {
        "rapport": response.output_text,
        "tokens_utilises": response.usage.total_tokens
    }

# Brug
rapport = audit_conformite(
    "beskyttelse af personlige data og GDPR",
    "vs_processus_internes"
)

Use case: berigelse af vidensbase

Den samme mekanisme, vendt om, tjener til at alderstjekke dine egne dokumenter: I stedet for at verificere compliance, spørger du, hvad der er ændret, siden de blev skrevet. Dette er den mest omkostningseffektive brug af hybrid søgning på en gammel dokumentbase – ingen har tid til at genlæse hundrede sider for at finde de tre, der er blevet forældede.

def detecter_obsolescence(vs_id: str, sujets: list[str]) -> list[dict]:
    """Identificerer potentielt forældede oplysninger."""
    resultats = []

    for sujet in sujets:
        response = client.responses.create(
            model="gpt-5.6-terra",
            instructions=(
                "Sammenlign, hvad vores interne dokumenter siger, med de seneste "
                "oplysninger fra nettet. Identificer faktuelle huller, forældede tal "
                "og forældede procedurer."
            ),
            input=f"Tjek aktualiteten af vores dokumenter om: {sujet}",
            tools=[
                {"type": "file_search", "vector_store_ids": [vs_id]},
                {"type": "web_search"}
            ]
        )

        resultats.append({
            "sujet": sujet,
            "analyse": response.output_text
        })

    return resultats

Tilføj brugerdefinerede funktioner til blandingen

At tilføje dine funktioner til blandingen flytter workflowet fra analyse til handling: modellen spotter et hul og åbner derefter en ticket. Hold dog en klar grænse – søgning og analyse kan forblive automatiske, men handlinger, der binder ressourcer (oprettelse, afsendelse, ændring), fortjener menneskelig validering, indtil du har målt pålideligheden af flowet over flere uger.

tools = [
    # Søg i dine dokumenter
    {
        "type": "file_search",
        "vector_store_ids": ["vs_contrats"],
        "max_num_results": 10
    },
    # Websøgning
    {
        "type": "web_search",
        "search_context_size": "medium"
    },
    # Forretningsfunktion: forespørg CRM'en
    {
        "type": "function",
        "name": "get_client_info",
        "description": "Hent kundeoplysninger fra CRM",
        "parameters": {
            "type": "object",
            "properties": {
                "client_id": {"type": "string"},
                "champs": {
                    "type": "array",
                    "items": {"type": "string"},
                    "description": "Liste over felter, der skal returneres"
                }
            },
            "required": ["client_id"],
            "additionalProperties": False
        },
        "strict": True
    },
    # Forretningsfunktion: opret en alert
    {
        "type": "function",
        "name": "creer_alerte",
        "description": "Opret en opfølgende alert for en kontrakt eller kunde",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "priorite": {"type": "string", "enum": ["basse", "moyenne", "haute", "critique"]},
                "description": {"type": "string"},
                "assignee": {"type": "string"}
            },
            "required": ["titre", "priorite", "description", "assignee"],
            "additionalProperties": False
        },
        "strict": True
    }
]

# Modellen kan nu:
# 1. Søge efter en kontrakt i File Search
# 2. Verificere en klausul på nettet
# 3. Hente kundeoplysninger fra CRM
# 4. Oprette en alert, hvis der opdages et problem
response = client.responses.create(
    model="gpt-5.6-terra",
    input="Tjek om kunden CLI-42567's kontrakt overholder de nye europæiske "
          "standarder. Hvis ikke, så opret en alert med høj prioritet.",
    tools=tools
)

Håndter kildeprioritet

Uden instruktioner behandler modellen begge kilder lige. Det er sjældent, hvad du ønsker: For interne fakta – tal, procedurer, beslutninger – er dine dokumenter autoritative, og nettet er blot plausibel støj; for nyheder og regulativer gælder det modsatte. Skriv dette hierarki ind i system-prompten, og kræv, at enhver konflikt mellem de to flagges i stedet for stille at blive arbitrered.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions=(
        "Regler for kildeprioritet: "
        "1. For interne fakta (processer, politikker, kontrakter) -> File Search "
        "2. For eksterne fakta (love, marked, tendenser) -> Web Search "
        "3. Ved konflikt mellem interne og eksterne kilder, flag hullet "
        "4. SVAR ALDRIG udelukkende baseret på din egen viden "
    ),
    input="Hvad er vores standard betalingsfrist, og er den compliant med loven?",
    tools=[
        {"type": "file_search", "vector_store_ids": [vs_id]},
        {"type": "web_search"}
    ]
)

Komplet mønster: hybrid søgeassistent

class AssistantRecherche:
    def __init__(self, vector_store_ids: list[str]):
        self.client = OpenAI()
        self.vs_ids = vector_store_ids
        self.historique = []

    def rechercher(self, question: str, mode: str = "hybride") -> dict:
        tools = []

        if mode in ("hybride", "interne"):
            tools.append({
                "type": "file_search",
                "vector_store_ids": self.vs_ids,
                "max_num_results": 10
            })

        if mode in ("hybride", "web"):
            tools.append({
                "type": "web_search",
                "search_context_size": "medium"
            })

        response = self.client.responses.create(
            model="gpt-5.6-terra",
            instructions="Citer altid dine kilder. Adskil tydeligt "
                        "intern information fra offentlig information.",
            input=question,
            tools=tools
        )

        resultat = {
            "question": question,
            "reponse": response.output_text,
            "mode": mode,
            "tokens": response.usage.total_tokens
        }
        self.historique.append(resultat)
        return resultat

# Brug
assistant = AssistantRecherche(["vs_contrats", "vs_procedures"])
r = assistant.rechercher("Er vores GTC ajourført med europæisk lovgivning?")
print(r["reponse"])

Vigtige pointer

  • Kombiner file_search og web_search i et enkelt kald
  • Modellen vælger automatisk det rigtige værktøj til hvert behov
  • System-prompten styrer prioriteten mellem interne og eksterne kilder
  • Tilføj brugerdefinerede funktioner for komplette workflows
  • Hybrid søgning er ideel til compliance-revisioner og overvågning