Αναζήτηση Αρχείων: Ευρετηρίαση και Ερωτήματα σε Έγγραφα
Σε αυτήν τη σελίδα
Αναζήτηση Αρχείων: Ευρετηρίαση και Ερωτήματα σε Έγγραφα
Η Αναζήτηση Αρχείων (File Search) επιτρέπει στο μοντέλο να αναζητά πληροφορίες στα ιδιωτικά σας έγγραφα. Ανεβάζετε αρχεία σε μια αποθήκη διανυσμάτων (vector store) και το μοντέλο τα ερωτά αυτόματα όποτε χρειάζεται συγκεκριμένες πληροφορίες. Αυτή είναι η βάση της τεχνικής RAG (Retrieval-Augmented Generation), ενσωματωμένη απευθείας στο API της OpenAI.
Δημιουργία Αποθήκης Διανυσμάτων
Η αποθήκη διανυσμάτων αποτελεί τη μονάδα οργάνωσης για την Αναζήτηση Αρχείων και η δομή που θα επιλέξετε εδώ θα σας συνοδεύσει για μεγάλο χρονικό διάστημα. Μια ενιαία αποθήκη για ολόκληρη την εταιρεία είναι εύκολη στη διαχείριση, αλλά αναμειγνύει έγγραφα με άσχετα λεξιλόγια, γεγονός που μειώνει τη συνάφεια των αποτελεσμάτων. Ο διαχωρισμός των αποθηκών ανά ομάδα ή τομέα απαιτεί λίγο περισσότερη διαχείριση, αλλά καθιστά κάθε αναζήτηση σημαντικά πιο ακριβή. Όταν έχετε αμφιβολίες, διαχωρίστε τις: η συγχώνευση αργότερα είναι ευκολότερη από το να ξεμπερδέψετε ένα χάος.
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}")
Ανέβασμα και Ευρετηρίαση Αρχείων
Η ευρετηρίαση είναι ασύγχρονη διαδικασία και αυτή είναι η πιο συχνή πηγή σφαλμάτων στην πρώτη προσπάθεια: προσθέτετε αρχεία, κάνετε ερώτημα αμέσως και το μοντέλο αναφέρει ότι δεν βρήκε τίποτα—όχι επειδή απέτυχε η αναζήτηση, αλλά επειδή τίποτα δεν έχει ευρετηριαστεί ακόμη. Ελέγχετε πάντα την κατάσταση πριν υποβάλετε ερωτήματα, όπως φαίνεται στην ενότητα για τον κύκλο ζωής.
Μια σημείωση σχετικά με τις μορφές: η λίστα είναι ευρεία, αλλά δεν είναι όλα τα αρχεία ίδια. Ένα PDF που παράγεται από επεξεργαστή κειμένου εξάγεται καθαρά· ένα σαρωμένο PDF χωρίς στρώμα κειμένου δεν προσφέρει τίποτα, καθώς κυριολεκτικά δεν υπάρχουν λέξεις προς ευρετηρίαση.
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}")
Ερωτήματα με Αναζήτηση Αρχείων
Η κλήση είναι σκόπιμα απλή: δηλώνετε το εργαλείο, θέτετε την ερώτησή σας και το μοντέλο αποφασίζει αν θα πραγματοποιήσει αναζήτηση. Όλη η εργασία RAG—τμηματοποίηση, διανυσματοποίηση, κατάταξη και έγχυση στο πλαίσιο—πραγματοποιείται στον διακομιστή. Αυτό εξοικονομεί σημαντικό χρόνο κατά την εκκίνηση και το επόμενο μάθημα καλύπτει τις ρυθμίσεις που πρέπει να γνωρίζετε όταν οι προεπιλογές δεν επαρκούν.
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)
Το μοντέλο αναζητά αυτόματα στα έγγραφά σας και διατυπώνει μια απάντηση με βάση το περιεχόμενο που βρίσκει.
Εξέταση Αποτελεσμάτων Αναζήτησης
Οι σημειώσεις (annotations) είναι αυτές που διακρίνουν μια επαληθεύσιμη απάντηση από μια απλή διατύπωση. Εκθέστε τες στους χρήστες σας: σε μια εσωτερική βάση γνώσεων, η δυνατότητα ιχνηλάτησης μέχρι το πρωτότυπο έγγραφο αλλάζει πλήρως το επίπεδο εμπιστοσύνης στο σύστημα—και σας βοηθά να εντοπίσετε περιπτώσεις όπου το μοντέλο αστόχησε.
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}")
Διαμόρφωση Αναζήτησης
Αριθμός Αποτελεσμάτων
Η αύξηση του αριθμού των αποσπασμάτων δεν βελτιώνει μηχανικά την απάντηση. Πέρα από τα δέκα περίπου, τα αποσπάσματα με χαμηλή συνάφεια αραιώνουν τα καλά και καταναλώνουν πλαίσιο που χρεώνεται. Αυξήστε αυτή την τιμή μόνο όταν η απάντηση είναι εμφανώς ελλιπής, όχι ως θέμα αρχής.
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
}]
)
Φιλτράρισμα Μεταδεδομένων
Τα μεταδεδομένα είναι ο πιο υποχρησιμοποιημένος μοχλός για την ακρίβεια. Το φιλτράρισμα ανά έτος, τμήμα ή τύπο εγγράφου πριν από την αναζήτηση διανυσμάτων εξαλείφει εκ των προτέρων τον θόρυβο που διαφορετικά θα έπρεπε να φιλτράρει η κατάταξη. Αυτό σας επιτρέπει επίσης να απαντάτε «σύμφωνα με την τρέχουσα διαδικασία» αντί να αναμειγνύετε τρεις διαδοχικές εκδόσεις του ίδιου εγγράφου.
# 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"
}
}]
)
Σύνθετα Φίλτρα
Συνδυάστε πολλαπλά κριτήρια χρησιμοποιώντας λογικούς τελεστές:
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}
]
}
}]
)
Διαχείριση Κύκλου Ζωής Αποθήκης Διανυσμάτων
Παρακολούθηση Ευρετηρίασης
# 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")
Αφαίρεση Παρωχημένων Αρχείων
# 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"
)
Πλήρες Παράδειγμα: Βοηθός Τεκμηρίωσης
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
}
Βασικά σημεία
- Δημιουργήστε μια αποθήκη διανυσμάτων και ανεβάστε τα αρχεία σας για να ενεργοποιήσετε την Αναζήτηση Αρχείων
- Το μοντέλο αποφασίζει μόνο του πότε θα αναζητήσει στα έγγραφα
- Το
max_num_resultsελέγχει το βάθος της αναζήτησης - Τα μεταδεδομένα και τα φίλτρα επιτρέπουν στοχευμένη αναζήτηση
- Παρακολουθείτε την κατάσταση της ευρετηρίασης πριν υποβάλετε ερωτήματα