Grounding: Ankkuroi vastaukset faktoihin
Tällä sivulla
Oppitunti päivitetty 3. marraskuuta 2026 OpenAI:n dokumentaation perusteella:
temperaturejatop_phyväksytään vain, kun päättelypyrkimys onnone, kun taas GPT-5.6-mallit päättelevät oletusarvoisesti (medium). Näitä parametreja asettavien kutsujen on siksi määritettäväreasoning={"effort": "none"}(Responses API) taireasoning_effort="none"(Chat Completions). Lähteet: Using GPT-6 · GPT-5.6 Terra.
Grounding: Ankkuroi vastaukset faktoihin
Grounding rajoittaa mallin perustamaan vastauksensa yksinomaan toimittamaasi dataan sen sisäisen tiedon sijaan. Se on ensimmäinen puolustuslinjasi hallusinaatioita vastaan ja ehdoton vaatimus, kun sovellus siirtyy prototyyppivaiheesta eteenpäin. Asiakastukiavustaja, joka keksii sopimuslausekkeen, ei tee suloista virhettä: se sitoo yrityksesi juridisesti asiakkaaseen, joka on lukenut sen.
Miksi grounding on välttämätöntä
Suuret kielimallit (LLM) tuottavat tilastollisesti todennäköistä tekstiä, mikä ei välttämättä vastaa faktuaalisesti oikeaa tekstiä. Ilman groundingia malli voi sepittää viitteitä, tilastoja tai teknisiä referenssejä, jotka kuulostavat täysin uskottavilta: versio numero, jota ei ole koskaan ollut olemassa; uskottava mutta väärä harkinta-aika; tai tyhjästä keksitty parametrinimi. Mikään muotoilussa ei paljasta keksintää, ja juuri tämä tekee ilmiöstä vaarallisen tuotantoympäristössä. Mitä paremmin vastaus on kirjoitettu, sitä epätodennäköisempää on, että käyttäjä tarkistaa sen, ja sitä suuremmaksi kasvavat juridiset ja maineeseen liittyvät riskit.
Tekniikka 1: Eksplisiittinen konteksti
Yksinkertaisin menetelmä on myös vankin: syötä lähdeteksti kehotteeseen ja kiellä mallia menemästä sen ulkopuolelle. Ohjeistuksesi tulee sisältää kolme elementtiä: rajoitus annettuun dokumenttiin, tarkka varalauselma, jota käytetään tiedon puuttuessa, ja vaatitus lainata käytettyä kohtaa. Testaa tulos rajatapauksella: 45 päivän ikäistä ostosta koskevan palautuspyynnön on laukaistava sääntö 50 %:n osittaispalautuksesta, ei myöntyväistä vastausta, jota asiakas toivoo kuulevansa.
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
)
Tekniikka 2: Pakolliset viitteet
Seuraava taso vaatii viitteen jokaiseen esitettyyn väittämään. Tällä on kaksoisvaikutus. Vastauksesta tulee käyttäjän tarkistettavissa oleva, sillä hän voi jäljittää sen alkuperäiseen kohtaan sen sijaan, että luottaisi sanaasi. Lisäksi malli sensuroi itseään väittämistä, joita se ei voi sitoa mihinkään lähteeseen, koska ohje kehottaa sitä jättämään ne pois eikä esittämään niitä ilman viitettä. Dokumenttien numerointi kontekstissa, kuten alla oleva funktio tekee, tekee viitteistä myös käyttökelposia käyttöliittymässäsi: “[Document 2]” voi muuttua klikattavaksi linkiksi oikeaan tiedostoon.
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
Tekniikka 3: Sukupolven jälkeinen verifiointi
Kaksi ensimmäistä tekniikkaa vähentävät riskiä poistamatta sitä koskaan kokonaan. Kriittisissä tapauksissa lisää toinen vaihe: erillinen kutsu, joka purkaa vastauksen alkeisväittämiin ja tarkistaa jokaisen niistä lähteitä vasten. Periaate on sama kuin koodikatselmuksessa – tekijä lukee omaa työtään huonosti, kun taas tuoreet silmät lukevat sitä paljon paremmin – ja se toimii tästä samasta syystä, sillä verifioija ei ole tuottanut tarkastelemaansa tekstiä. Lämpötilan asettaminen arvoon 0.0 ei ole yksityiskohta: verifioijan on oltava mahdollisimman toistettava, muuten et tiedä, johtuuko muuttuva tuomio vastauksesta vai mallin mielialasta.
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}
Tekniikka 4: Defensiivinen hallusinaatioiden estäminen
Tietyt muotoilut vähentävät hallusinaatioita merkittävästi, eivätkä ne ole keskenään vaihdettavissa: kukin niistä kohdistuu eri oireeseen. Eksplisiittinen muotoilu sallii mallin yksinkertaisesti myöntää tietämättömyytensä, mikä on usein riittävää. Rangaistava lähestymistapa asettaa virheet keskinäiseen järjestykseen, mikä on hyödyllistä kohdatessa malli, joka spontaanisti prefers sanoa mitä tahansa eikä mitään. Rakenteellinen lähestymistapa tuo epävarmuuden esiin itse tulosteessa, mikä on arvokasta, kun käyttöliittymäsi tarvitsee erottaa visuaalisesti varman tiedon päätellystä. Lopuksi rajoittava lähestymistapa rajaa lähteen tageilla, mikä toimii erityisen hyvin, kun injisoitu konteksti on laaja ja rajan hämärtyminen dokumentin ja ohjeen välillä on riski.
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."
}
Oikein käytettynä nämä muotoilut vähentävät hallusinaatioita 60–80 %. Sinun on kuitenkin havainnoitava tämä omassa ympäristössäsi sen sijaan, että luottaisit keskiarvoon: grounding-prosentti lasketaan toistamalla verifiointi vastauseerälle ja aggregoimalla saadut pisteet.
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
Yhdistäminen API-työkaluihin
OpenAI API tarjoaa kaksi natiivia työkalua, jotka säästävät sinua oman hakukerroksen rakentamiselta. File Search selaa lataamiasi dokumentteja ja injisoi automaattisesti asiaankuuluvat otteet kontekstiin. Web Search ankkuroi vastaukset tuoreisiin web-tuloksiin, mikä auttaa, kun aihe kehittyy nopeammin kuin dokumenttikantasi. Molemmissa tapauksissa rajoitusohjeet pysyvät välttämättöminä: työkalu hoitaa materiaalin tuonnin, mutta kehotteesi – ja vain kehotteesi – kieltää mallia poikkeamasta siitä.
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"}]
)
Laita nyt koko ketju koetukselle sisäisellä yritysdokumentilla – usein kysytyt kysymykset, käyttöehdot, tekninen dokumentaatio, sillä ei ole väliä kunhan se on aitoo. Rakenna grounded-avustaja käyttämällä eksplisiittistä kontekstia, kysy siltä kymmenen kysymystä, joista kolme kattaa tahallisesti dokumentista puuttuvia kohtia, ja varmista, että se kieltäytyy näistä kolmesta sen sijaan, että kaunistelisi niitä. Lisää sitten sukupolven jälkeinen verifiointi ja mittaa todellinen grounding-prosenttisi: juuri tämä luku, ei kehotteeseesi kohdistama luottamus, ratkaisee, onko avustaja valmis tuotantoon.
Keskeiset asiat
- Grounding on välttämätöntä kaikille ammattimaisille sovelluksille
- Injisoi lähdekonteksti suoraan kehotteeseen ja pakota viittaamaan
- Verifioi grounding sukupolven jälkeen kriittisissä tapauksissa
- Defensiiviset muotoilut vähentävät hallusinaatioita 60–80 %
- Käytä arvoa temperature=0.0–0.1 maksimoidaksesi uskollisuuden lähteisiin