Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Grounding: Αγκύρωση Απαντήσεων σε Γεγονότα

Μάθημα 8 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Grounding: Αγκύρωση Απαντήσεων σε Γεγονότα
  2. Γιατί το Grounding είναι Απαραίτητο
  3. Τεχνική 1: Ρητό Πλαίσιο (Explicit Context)
  4. Τεχνική 2: Υποχρεωτικές Παραπομπές
  5. Τεχνική 3: Επαλήθευση Μετά τη Δημιουργία
  6. Τεχνική 4: Αμυντική Διατύπωση Κατά των Παραισθήσεων
  7. Συνδυασμός με Εργαλεία API
  8. Βασικά σημεία

Μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 βάσει της τεκμηρίωσης της OpenAI: οι παράμετροι temperature και top_p γίνονται δεκτές μόνο με προσπάθεια συλλογισμού (reasoning effort) ίση με none, ενώ τα μοντέλα GPT-5.6 συλλογίζονται από προεπιλογή (medium). Επομένως, οι κλήσεις που ορίζουν αυτές τις παραμέτρους πρέπει να προσδιορίζουν reasoning={"effort": "none"} (Responses API) ή reasoning_effort="none" (Chat Completions). Πηγές: Using GPT-6 · GPT-5.6 Terra.

Grounding: Αγκύρωση Απαντήσεων σε Γεγονότα

Το Grounding περιορίζει το μοντέλο ώστε να βασίζει τις απαντήσεις του αποκλειστικά στα δεδομένα που παρέχετε εσείς, και όχι στις εσωτερικές του γνώσεις. Αποτελεί την πρώτη σας γραμμή άμυνας κατά των παραισθήσεων (hallucinations) και αποτελεί αδιαπραγμάτευτη απαίτηση μόλις μια εφαρμογή ξεπεράσει το στάδιο του πρωτοτύπου. Ένας βοηθός υποστήριξης που επινοεί μια ρήτρα συμβολαίου δεν κάνει ένα χαριτωμένο λάθος: δεσμεύει νομικά την εταιρεία σας απέναντι στον πελάτη που το διάβασε.

Γιατί το Grounding είναι Απαραίτητο

Τα LLM παράγουν κείμενο στατιστικά πιθανό, το οποίο δεν συμπίπτει απαραίτητα με το γεγονόςικά σωστό κείμενο. Χωρίς grounding, ένα μοντέλο μπορεί να επινοήσει παραπομπές, στατιστικά στοιχεία ή τεχνικές αναφορές που ακούγονται απολύτως εύλογες: έναν αριθμό έκδοσης που δεν υπήρξε ποτέ, μια εύπιστη αλλά ψευδή περίοδο υπαναχώρησης, ή ένα όνομα παραμέτρου φτιαγμένο από το τίποτα. Τίποτα στη διατύπωση δεν προδίδει την επινόηση, κάτι που καθιστά το φαινόμενο ιδιαίτερα επικίνδυνο σε περιβάλλον παραγωγής. Όσο καλύτερα γραμμένη είναι η απάντηση, τόσο λιγότερο πιθανό είναι ο χρήστης να την επαληθεύσει, και τόσο μεγαλύτερος γίνεται ο νομικός και φημολογικός κίνδυνος.

Τεχνική 1: Ρητό Πλαίσιο (Explicit Context)

Η απλούστερη μέθοδος είναι επίσης η πιο robust: εισάγετε το κείμενο πηγής στην εντολή (prompt) και απαγορεύετε στο μοντέλο να ξεπεράσει αυτό το όριο. Οι οδηγίες σας πρέπει να περιλαμβάνουν τρία στοιχεία: έναν περιορισμό στο παρεχόμενο έγγραφο, την ακριβή φράση εναλλακτικής λύσης (fallback) για χρήση όταν λείπουν πληροφορίες, και την απαίτηση να παρατίθεται το απόσπασμα που χρησιμοποιήθηκε. Δοκιμάστε το αποτέλεσμα σε μια οριακή περίπτωση: ένα αίτημα επιστροφής χρημάτων στις 45 ημέρες πρέπει να ενεργοποιεί τον κανόνα της μερικής επιστροφής 50%, και όχι την εξυπηρετική απάντηση που ελπίζει να ακούσει ο πελάτης.

from openai import OpenAI

client = OpenAI()

document = """
Acme Corp Refund Policy (v3.2, January 2026):
- Full refund within 30 days of purchase
- Partial refund (50%) between 30 and 60 days
- No refund after 60 days
- Customized products are non-refundable
- Refunds are processed within 5 business days
"""

system = """You are an Acme Corp customer support assistant.

STRICT RULES:
- Answer ONLY based on the document provided below
- If the answer is not in the document, say "I do not have
  this information in our current policy"
- NEVER make assumptions beyond the document
- Quote the relevant passage in quotation marks

REFERENCE DOCUMENT:
""" + document

response = client.responses.create(
    model="gpt-5.6-terra",
    reasoning={"effort": "none"},  # temperature requires effort none
    instructions=system,
    input="I would like a refund for an item purchased 45 days ago.",
    temperature=0.1
)

Τεχνική 2: Υποχρεωτικές Παραπομπές

Το επόμενο επίπεδο απαιτεί παραπομπή για κάθε ισχυρισμό που διατυπώνεται. Αυτό έχει διπλό αποτέλεσμα. Η απάντηση γίνεται επαληθεύσιμη από τον χρήστη, ο οποίος μπορεί να την εντοπίσει πίσω στο αρχικό απόσπασμα αντί να σας πιστέψει απλώς στα λόγια. Επιπλέον, το μοντέλο αυτολογοκρίνεται σε ισχυρισμούς που δεν μπορεί να συνδέσει με κάποια πηγή, καθώς η οδηγία του λέει ρητά να τους παραλείψει αντί να τους παραδώσει χωρίς παραπομπή. Η αρίθμηση των εγγράφων στο πλαίσιο, όπως κάνει η παρακάτω συνάρτηση, καθιστά επίσης τις παραπομπές usable στη διεπαφή σας: το «[Έγγραφο 2]» μπορεί να γίνει ένας clickable σύνδεσμος προς το σωστό αρχείο.

system_with_citations = """You are a research assistant.

For every assertion in your response, add a reference
to the source passage in brackets, for example: [Source: paragraph 3].

If you cannot cite a source passage, do not include the assertion.

Response format:
1. Response with inline citations
2. "Sources Used" section with exact excerpts"""

def reponse_grounded(question: str, documents: list[str]) -> str:
    """Generate a grounded response with citations."""
    context = "\n\n---\n\n".join(
        f"[Document {i+1}]\n{doc}"
        for i, doc in enumerate(documents)
    )

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature requires effort none
        instructions=system_with_citations + f"\n\nDOCUMENTS:\n{context}",
        input=question,
        temperature=0.1
    )
    return response.output_text

Τεχνική 3: Επαλήθευση Μετά τη Δημιουργία

Οι δύο πρώτες τεχνικές μειώνουν τον κίνδυνο χωρίς όμως να τον εξαλείφουν ποτέ πλήρως. Για κρίσιμες περιπτώσεις, προσθέστε ένα δεύτερο πέρασμα: μια ειδική κλήση που αναλύει την απάντηση σε στοιχειώδεις ισχυρισμούς και ελέγχει τον καθένα έναντι των πηγών. Η αρχή είναι ίδια με την αναθεώρηση κώδικα (code review)—ο συγγραφέας διαβάζει πρόχειρα το δικό του έργο, ενώ ένα φρέσκο ζευγάρι μάτια το διαβάζει πολύ καλύτερα—και λειτουργεί εδώ για τον ίδιο λόγο, καθώς ο επαληθευτής δεν παρήγαγε το κείμενο που εξετάζει. Η ρύθμιση του temperature στο 0.0 δεν είναι λεπτομέρεια: ένας επαληθευτής πρέπει να είναι όσο το δυνατόν πιο αναπαραγώγιμος, διαφορετικά δεν θα ξέρετε αν μια μεταβαλλόμενη ετυμηγορία προέρχεται από την απάντηση ή από τη «διάθεση» του μοντέλου.

def verifier_grounding(reponse: str, sources: str) -> dict:
    """Verify whether a response is properly grounded in the sources."""
    verification_prompt = f"""Analyze whether this response is faithful to the sources.

RESPONSE TO VERIFY:
{reponse}

SOURCES:
{sources}

For each assertion in the response, indicate:
- The assertion
- Whether it is supported by the sources (YES/NO)
- The corresponding source passage (or "None")

End with a grounding score: X supported assertions / Y total."""

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=verification_prompt,
        temperature=0.0
    )
    return {"verification": response.output_text}

Τεχνική 4: Αμυντική Διατύπωση Κατά των Παραισθήσεων

Ορισμένες διατυπώσεις μειώνουν σημαντικά τις παραισθήσεις και δεν είναι εναλλάξιμες: η καθεμία αντιμετωπίζει ένα distinct σύμπτωμα. Η ρητή διατύπωση απλώς επιτρέπει στο μοντέλο να παραδεχτεί την άγνοια, κάτι που συχνά αρκεί. Η προσέγγιση με ποινές ιεραρχεί τα σφάλματα μεταξύ τους, χρήσιμη όταν αντιμετωπίζετε ένα μοντέλο που προτιμά αυθόρμητα να πει οτιδήποτε παρά τίποτα. Η δομική προσέγγιση αναδεικνύει την αβεβαιότητα στην ίδια την έξοδο, πολύτιμη όταν η διεπαφή σας χρειάζεται να διακρίνει οπτικά τι είναι βέβαιο από τι είναι συμπερασματικό. Τέλος, η προσέγγιση με περιορισμούς οριοθετεί την πηγή με tags, κάτι που λειτουργεί ιδιαίτερα καλά όταν το injected context είναι ογκώδες και τα όρια μεταξύ εγγράφου και οδηγίας κινδυνεύουν να θολώσουν.

defensive_prompts = {
    "explicit": "If you do not know the answer, say 'I don't know'.",

    "penalizing": "It is FORBIDDEN to invent information. "
                  "An 'I don't know' response is always preferable "
                  "to incorrect information.",

    "structural": "For each point in your response, indicate your confidence level: "
                  "[CERTAIN] based on the document, "
                  "[PROBABLE] inferred from context, [UNCERTAIN] unverified.",

    "constrained": "Answer using EXCLUSIVELY the information "
                   "between the <source> and </source> tags. "
                   "Any external information is forbidden."
}

Όταν χρησιμοποιούνται σωστά, αυτές οι διατυπώσεις μειώνουν τις παραισθήσεις κατά 60 έως 80%. Ωστόσο, πρέπει να το παρατηρήσετε αυτό στο δικό σας περιβάλλον και όχι να βασιστείτε σε έναν μέσο όρο: ο ρυθμός grounding υπολογίζεται επαναλαμβάνοντας την επαλήθευση σε ένα batch απαντήσεων και συγκεντρώνοντας τα scores που επιτεύχθηκαν.

def taux_grounding(reponses: list[dict]) -> float:
    """Calculate the grounding rate across a set of responses.

    Each response is a dict with 'reponse' and 'sources'.
    """
    scores = []
    for item in reponses:
        verif = verifier_grounding(item["reponse"], item["sources"])
        # Extract the score (adapt to output format)
        scores.append(verif)
    return scores

Συνδυασμός με Εργαλεία API

Το API της OpenAI προσφέρει δύο native εργαλεία που σας γλιτώνουν από την κατασκευή του δικού σας layer ανάκτησης. Το File Search αναζητά σε έγγραφα που έχετε ανεβάσει και injects αυτόματα τα σχετικά αποσπάσματα στο context. Το Web Search αγκυρώνει τις απαντήσεις σε πρόσφατα web results, κάτι που βοηθά όταν το θέμα εξελίσσεται ταχύτερα από τη βάση εγγράφων σας. Και στις δύο περιπτώσεις, οι οδηγίες περιορισμού παραμένουν απαραίτητες: το εργαλείο χειρίζεται τη μεταφορά του υλικού, αλλά το prompt σας—και μόνο το prompt σας—απαγορεύει στο μοντέλο να αποκλίνει από αυτό.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Answer based only on the provided documents.",
    input="What are the warranty conditions?",
    tools=[{"type": "file_search"}]
)

Τώρα θέστε την πλήρη αλυσίδα σε δοκιμή σε ένα εσωτερικό εταιρικό έγγραφο—μια FAQ, όρους παροχής υπηρεσιών, τεχνική τεκμηρίωση, δεν έχει σημασία αρκεί να είναι πραγματικό. Κατασκευάστε τον grounded assistant χρησιμοποιώντας ρητό context, υποβάλετέ του δέκα ερωτήσεις όπου οι τρεις καλύπτουν σκόπιμα σημεία απόντα από το έγγραφο, και επαληθεύστε ότι αρνείται αυτές τις τρεις αντί να τις ωραιοποιεί. Στη συνέχεια, προσθέστε την επαλήθευση μετά τη δημιουργία και μετρήστε τον πραγματικό σας ρυθμό grounding: είναι αυτός ο αριθμός, και όχι η εμπιστοσύνη που έχετε στο prompt σας, που αποφασίζει αν ο assistant είναι έτοιμος για παραγωγή.

Βασικά σημεία

  • Το Grounding είναι απαραίτητο για κάθε επαγγελματική εφαρμογή
  • Εισάγετε το context της πηγής απευθείας στο prompt και επιβάλετε παραπομπές
  • Επαληθεύστε το grounding μετά τη δημιουργία για κρίσιμες περιπτώσεις
  • Οι αμυντικές διατυπώσεις μειώνουν τις παραισθήσεις κατά 60 έως 80%
  • Χρησιμοποιήστε temperature=0.0-0.1 για να μεγιστοποιήσετε την πιστότητα στις πηγές