Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Ankurdamine: vastuste kinnitamine faktidele

Õppetund 8 / 16 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Ankurdamine: vastuste kinnitamine faktidele
  2. Miks ankurdamine on hädavajalik
  3. Tehnika 1: Selge kontekst
  4. Tehnika 2: Kohustuslikud viited
  5. Tehnika 3: Järelkontroll pärast genereerimist
  6. Tehnika 4: Kaitsev anti-hallutsinatsioonide vihjestamine
  7. Kombineerimine API tööriistadega
  8. Peamised punktid

Tund uuendatud 3. novembril 2026 OpenAI dokumentatsiooni põhjal: parameetreid temperature ja top_p aktsepteeritakse ainult siis, kui arutluse jõupingutus (reasoning effort) on määratud väärtusele none, samas kui GPT-5.6 mudelid kasutavad vaikimisi arutlust („medium“). Seetõttu peavad need parameetrid määravad päringud sisaldama seadet reasoning={"effort": "none"} (Responses API) või reasoning_effort="none" (Chat Completions). Allikad: GPT-6 kasutamine · GPT-5.6 Terra.

Ankurdamine: vastuste kinnitamine faktidele

Ankurdamine sunnib mudelit rajama oma vastused üksnes sinu poolt esitatud andmetele, mitte selle sisemisele teadmiste baasile. See on sinu esimene kaitsejoon hallutsinatsioonide vastu ja asendamatu nõue niipea, kui rakendus väljub prototüübi faasist. Klienditugiassistent, kes leiutab lepingupunkti, ei tee armsat viga: see seob sinu ettevõtte juriidiliselt kliendiga, kes seda luges.

Miks ankurdamine on hädavajalik

Suured keelemudelid (LLM) genereerivad statistiliselt tõenäolist teksti, mis ei pruugi olla faktiliselt korrektne. Ilma ankurdamiseta võib mudel välja mõelda tsitaate, statistikat või tehnilisi viiteid, mis kõlavad täiesti usutavana: versiooninumber, mida pole kunagi olemas olnud, usutav, kuid vale loobumisperiood või õhust välja imetud parameetri nimi. Sõnastuses pole midagi, mis reedaks väljamõeldist, ja just see teeb nähtuse tootmiskeskkonnas ohtlikuks. Mida paremini on vastus kirjutatud, seda vähem tõenäoliselt kasutaja seda kontrollib ja seda suuremaks kasvab juriidiline ja mainega seotud risk.

Tehnika 1: Selge kontekst

Lihtsaim meetod on ühtlasi kõige kindlam: sisesta alliktekst vihjesse ja keela mudelil sellest kaugemale minna. Sinu juhised peavad sisaldama kolme elementi: piirangut ainult pakutud dokumendile, täpset varulauset juhuks, kui teave puudub, ning nõuet tsiteerida kasutatud lõiku. Testi tulemust piirjuhul: tagastusnõue 45. päeval peab käivitama 50% osalise tagastamise reegli, mitte lepitavat vastust, mida klient loodab kuulda.

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
)

Tehnika 2: Kohustuslikud viited

Järgmine tase nõuab iga väite kohta viidet. Sellel on kahekordne mõju. Vastus muutub kasutaja jaoks kontrollitavaks, kes saab selle algse lõiguni tagasi trace’ida, selle asemel et sind sõna pealt uskuda. Samal ajal tsenseerib mudel ise väiteid, mida ta ei suuda ühegi allikaga siduda, kuna juhis käsib need pigem ära jätta kui ilma viiteta esitada. Dokumentide nummerdamine kontekstis, nagu allolev funktsioon teeb, muudab viited ka sinu liideses kasutatavaks: „[Dokument 2]“ saab muuta klõpsatavaks lingiks õigele failile.

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:
    """Genereeri ankurdatud vastus koos viidetega."""
    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

Tehnika 3: Järelkontroll pärast genereerimist

Esimesed kaks tehnikat vähendavad riski, kuid ei kõrvalda seda kunagi täielikult. Kriitilistel juhtudel lisa teine läbimine: eraldiseisev päring, mis lagundab vastuse elementaarseteks väideteks ja kontrollib igaüht allikate vastu. Põhimõte on sama mis koodi ülevaatusel – autor loeb oma tööd halvasti, värske pilk aga palju paremini – ja see toimib siin samal põhjusel, kuna kontrollija ei ole seda teksti ise loonud. Temperatuuri seadmine väärtusele 0.0 ei ole tühiasi: kontrollija peab olema võimalikult reprodutseeritav, muidu ei saa sa aru, kas muutuv otsus tuleneb vastusest või mudeli tujust.

def verifier_grounding(reponse: str, sources: str) -> dict:
    """Kontrolli, kas vastus on allikates korralikult ankurdatud."""
    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}

Tehnika 4: Kaitsev anti-hallutsinatsioonide vihjestamine

Teatud sõnastused vähendavad hallutsinatsioone oluliselt ja need ei ole omavahel asendatavad: igaüks lahendab erinevat sümptomit. Selgesõnaline formulatsioon võimaldab mudelil lihtsalt teadmatus tunnistada, mis on sageli piisav. Karistav lähenemine seab vead hierarhiasse, mis on kasulik, kui tegemist on mudeliga, mis eelistab spontaanselt öelda mida iganes, mitte mitte midagi. Struktuurne lähenemine toob ebakindluse esile otse väljundis, mis on väärtuslik, kui sinu liides peab visuaalselt eristama kindlat teavet järeldatust. Lõpuks piiritleb kitsendav lähenemine allika siltidega, mis toimib eriti hästi, kui sisestatud kontekst on mahukas ja dokumendi ning juhise vaheline piir ähvardab hägustuda.

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."
}

Õigesti kasutatuna vähendavad need sõnastused hallutsinatsioone 60–80%. Siiski pead seda jälgima oma keskkonnas, mitte tuginema keskmisele: ankurdamismäär arvutatakse, korrates kontrolli vastuste partii üle ja koondades saadud tulemused.

def taux_grounding(reponses: list[dict]) -> float:
    """Arvuta ankurdamismäär vastuste hulgas.

    Iga vastus on sõnastik võtmetega 'reponse' ja 'sources'.
    """
    scores = []
    for item in reponses:
        verif = verifier_grounding(item["reponse"], item["sources"])
        # Ekstraheeri tulemus (kohanda väljundiformaadiga)
        scores.append(verif)
    return scores

Kombineerimine API tööriistadega

OpenAI API pakub kahte loomulikku tööriista, mis säästavad sind oma otsingukihi ehitamisest. File Search sirvib sinu üles laaditud dokumente ja süstib automaatselt asjakohased lõigud konteksti. Web Search ankurdab vastused värsketes veebitulemustes, mis aitab, kui teema areneb kiiremini kui sinu dokumentide baas. Mõlemal juhul jäävad piirangujuhised hädavajalikuks: tööriist hoolitseb materjali kohaletoimetamise eest, kuid sinu vihje – ja ainult sinu vihje – keelab mudelil sellest kõrvale kalduda.

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"}]
)

Nüüd pane kogu ahel proovile sisese ettevõtte dokumendiga – olgu selleks KKK, teenustingimused või tehniline dokumentatsioon, peaasi, et see oleks reaalne. Ehita ankurdatud assistent, kasutades selget konteksti, küsitle seda kümne küsimusega, millest kolm käsitlevad tahtlikult dokumenti mittekuuluvaid punkte, ja veendu, et ta need kolm tagasi lükkaks, mitte ei kaunistaks neid. Seejärel lisa järelkontroll ja mõõda oma tegelikku ankurdamismäära: just see number, mitte sinu usaldus vihje vastu, otsustab, kas assistent on tootmisse valmis.

Peamised punktid

  • Ankurdamine on hädavajalik igale professionaalsele rakendusele
  • Sisesta allika kontekst otse vihjesse ja nõua viiteid
  • Kontrolli ankurdamist pärast genereerimist kriitilistel juhtudel
  • Kaitsev sõnastus vähendab hallutsinatsioone 60–80%
  • Kasuta temperature=0.0–0.1, et maksimeerida truudust allikatele