Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Otsingu hübriid: veebi ja failide kombineerimine

Õppetund 9 / 20 Värskendatud 2. november 2026 Arendajatele
Sellel lehel
  1. Otsingu hübriid: veebi ja failide kombineerimine
  2. Mõlema tööriista lubamine
  3. Kasutusjuhtum: regulatiivne seire
  4. Kasutusjuhtum: teadmistebaasi rikastamine
  5. Lisa segusse kohandatud funktsioonid
  6. Halda allikate prioriteeti
  7. Täielik muster: hübriidotsingu assistent
  8. Peamised punktid

Tund uuendatud 2. novembril 2026 OpenAI dokumentatsiooni põhjal: Code Interpreteri tööriist nõuab nüüd parameetrit container (lisatud kõigile näidetele), sisendteksti osad on tüüpi input_text ja veebiotsing kasutab tööriista web_search (web_search_preview on nüüd aegunud tööriist ilma domeenifiltriteta). Genereeritud failid laaditakse alla, kasutades 10. tunni funktsioone fichiers_generes ja telecharger. Allikad: Code Interpreter · Veebiotsing.

Otsingu hübriid: veebi ja failide kombineerimine

Need kaks otsingutööriista vastavad erinevatele küsimustele ja eraldi kasutatuna jääb kumbki poolikuks. File Search teab seda, mida sina oled kirjutanud; Web Search teab seda, mida maailm on avaldanud. Paljud kasulikud küsimused asuvad täpselt nende kahe lõikepunktis: kas meie protseduur on endiselt vastavuses nõuetega? Kas meie dokumentatsioon on ajakohane? Kuhu me turul kuulume?

Nendel küsimustel on ühine omadus, mis seletab nende väärtust: keegi ei saa neile vastata, lugemata mõlemat poolt. Just see ristumine, mitte otsing ise, teeb selle tunni väärtuslikuks.

Mõlema tööriista lubamine

Deklareeri mõlemad tööriistad samaaegselt massiivis tools:

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Võrdle meie kaugtöö poliitikat praeguste turusuundumustega",
    tools=[
        {
            "type": "file_search",
            "vector_store_ids": ["vs_abc123"],
            "max_num_results": 10
        },
        {
            "type": "web_search",
            "search_context_size": "medium"
        }
    ]
)

print(response.output_text)

Mudel otsustab ise, millal kumbagi tööriista kasutada. Küsimuse korral, mis puudutab sinu siseseid dokumente, kasutab ta File Searchi. Avalike andmete puhul kasutab ta Web Searchi. Võrdluse tegemiseks kasutab ta mõlemat.

Kasutusjuhtum: regulatiivne seire

Regulatiivne seire on klassikaline näide, sest just kahe allika vaheline erinevus on see, mida me otsime. Küsi sõnaselgelt erinevusi, mitte kummagi poole kokkuvõtet: mudel, mida palutakse teha kokkuvõte, toodab kaks korrektset sünteesi ja jätab võrdluse sinu teha, mis on kogu töö ainus keeruline osa.

def audit_conformite(sujet: str, vs_processus: str) -> dict:
    """Võrdleb siseseid protsesse kehtivate määrustega."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        instructions=(
            "Sa oled vastavusaudiitor. Iga punkti kohta pead sa: "
            "1. Otsima sisestest dokumentidest, mis on praegu kehtestatud "
            "2. Otsima veebist kehtivaid määruseid "
            "3. Tuvastama lünki nende kahe vahel "
            "4. Pakkuma parandusmeetmeid"
        ),
        input=f"Auditeeri meie protsesside vastavust teemal: {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
    }

# Kasutamine
rapport = audit_conformite(
    "isikuandmete kaitse ja GDPR",
    "vs_processus_internes"
)

Kasutusjuhtum: teadmistebaasi rikastamine

Sama mehhanismi, pöördjärjekorras, saab kasutada oma dokumentide vanuse kontrollimiseks: vastavuse kontrollimise asemel küsid, mis on muutunud alates nende kirjutamisest. See on kõige kuluefektiivsem hübriidotsingu kasutusviis vanale dokumendibaasile – kellelgi pole aega lugeda üle sadale leheküljele, et leida kolm, mis on vananenud.

def detecter_obsolescence(vs_id: str, sujets: list[str]) -> list[dict]:
    """Tuvastab potentsiaalselt iganenud teabe."""
    resultats = []

    for sujet in sujets:
        response = client.responses.create(
            model="gpt-5.6-terra",
            instructions=(
                "Võrdle seda, mida meie sisemised dokumendid ütlevad, veebi "
                "uusima teabega. Tuvasta faktilised lüngad, iganenud arvud "
                "ja iganenud protseduurid."
            ),
            input=f"Kontrolli meie dokumentide ajakohasust teemal: {sujet}",
            tools=[
                {"type": "file_search", "vector_store_ids": [vs_id]},
                {"type": "web_search"}
            ]
        )

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

    return resultats

Lisa segusse kohandatud funktsioonid

Oma funktsioonide lisamine segusse nihutab töövoogu analüüsilt tegevusele: mudel tuvastab lünga ja avab seejärel pileti. Hoia siiski selget piiri – otsing ja analüüs võivad jääda automaatseks, kuid tegevused, mis seovad ressursse (loomine, saatmine, muutmine), väärivad inimlikku kinnitust, kuni oled mõõtnud voo usaldusväärsust mitme nädala jooksul.

tools = [
    # Otsi oma dokumentidest
    {
        "type": "file_search",
        "vector_store_ids": ["vs_contrats"],
        "max_num_results": 10
    },
    # Veebiotsing
    {
        "type": "web_search",
        "search_context_size": "medium"
    },
    # Ärifunktsioon: päring CRM-i
    {
        "type": "function",
        "name": "get_client_info",
        "description": "Hangi kliendi teave CRM-ist",
        "parameters": {
            "type": "object",
            "properties": {
                "client_id": {"type": "string"},
                "champs": {
                    "type": "array",
                    "items": {"type": "string"},
                    "description": "Tagastatavate väljade loend"
                }
            },
            "required": ["client_id"],
            "additionalProperties": False
        },
        "strict": True
    },
    # Ärifunktsioon: loo hoiatus
    {
        "type": "function",
        "name": "creer_alerte",
        "description": "Loo lepingu või kliendi järelvalve hoiatus",
        "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
    }
]

# Mudel saab nüüd:
# 1. Otsida lepingut File Searchist
# 2. Kontrollida klauslit veebis
# 3. Hangi kliendi teave CRM-ist
# 4. Luua hoiatus, kui probleem tuvastatakse
response = client.responses.create(
    model="gpt-5.6-terra",
    input="Kontrolli, kas kliendi CLI-42567 leping vastab uutele Euroopa "
          "standarditele. Kui ei, loo kõrge prioriteediga hoiatus.",
    tools=tools
)

Halda allikate prioriteeti

Ilma juhisteta kohtleb mudel mõlemat allikat võrdselt. See on harva see, mida soovid: siseste faktide (arvud, protseduurid, otsused) puhul on sinu dokumendid autoriteetsed ja veeb on lihtalt usutav müra; uudiste ja määruste puhul kehtib vastupidine. Kirjuta see hierarhia süsteemi vihjesse ja nõua, et igast kahe allika vahelisest konfliktist teavitataks, selle asemel et seda vaikselt lahendada.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions=(
        "Allikate prioriteedi reeglid: "
        "1. Siseste faktide (protsessid, poliitikad, lepingud) jaoks -> File Search "
        "2. Väliste faktide (seadused, turg, suundumused) jaoks -> Web Search "
        "3. Siseste ja väliste allikate vahelise konflikti korral märgista lõhe "
        "4. ÄRA MITTE KUNAGI vasta ainult omaenda teadmiste põhjal "
    ),
    input="Milline on meie standardne maksetähtaeg ja kas see vastab seadusele?",
    tools=[
        {"type": "file_search", "vector_store_ids": [vs_id]},
        {"type": "web_search"}
    ]
)

Täielik muster: hübriidotsingu assistent

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="Tsiteeri alati oma allikaid. Eralda selgelt "
                        "sisene teave avalikust teabest.",
            input=question,
            tools=tools
        )

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

# Kasutamine
assistant = AssistantRecherche(["vs_contrats", "vs_procedures"])
r = assistant.rechercher("Kas meie üldtingimused on Euroopa seadustega kooskõlas?")
print(r["reponse"])

Peamised punktid

  • Kombineeri file_search ja web_search ühes päringus
  • Mudel valib automaatselt iga vajaduse jaoks õige tööriista
  • Süsteemi vihje juhendab siseste ja väliste allikate prioriteeti
  • Lisa täielike töövoogude jaoks kohandatud funktsioone
  • Hübriidotsing on ideaalne vastavusauditite ja seire jaoks