Cuardach Comhad: Innéacsú agus Ceistigh Doiciméid
Ar an leathanach seo
Cuardach Comhad: Innéacsú agus Ceistigh Doiciméid
Ligeann Cuardach Comhad don mhúnla doiciméid phríobháideacha a scrúdú. Uaslódálann tú comhaid chuig stóras veicteoireach, agus déanann an múnla ceisteanna orthu go huathoibríoch nuair a bhíonn gá le faisnéis shonrach. Is é seo bunús RAG atá tógtha go díreach isteach in API OpenAI.
Stóras Veicteoireach a Chruthú
Is é an stóras veicteoireach an t-aonad eagraíochta do Chuardach Comhad, agus fanfaidh an struchtúr a roghnaíonn tú anseo leat ar feadh i bhfad. Tá stóras amháin don chuideachta ar fad éasca le bainistiú, ach meascann sé doiciméid le foclóirí nach mbaineann le chéile, rud a laghdaíonn ábharthacht. Éilíonn stórais ar leith de réir foirne nó fearainn beagán breis bainistíochta, ach déanann siad gach cuardach i bhfad níos cruinne. Nuair a bhíonn amhras ort, scar iad: is fusa iad a chumasc níos déanaí ná míthuiscint a dhíbirt as mí-ord.
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}")
Comhaid a Uaslódáil agus a Innéacsú
Tá an t-innéacsú neamhshioncrónach, agus is é seo an foinse earráide is coitianta ar an gcéad iarracht: cuireann tú comhaid leis, déanann tú ceist láithreach, agus deir an múnla nár aimsigh sé aon rud—ní mar gur theip ar an gcuardach, ach toisc nach raibh aon rud innéacsaithe fós. Seiceáil an stádas i gcónaí sula ndéanann tú ceist, mar a thaispeántar sa chuid ar an timthriall saoil.
Focal ar fhormáidí: tá an liosta leathan, ach ní hionann gach comhad. Baineann PDF a ghintear ó phróiseálaí focal téacs go glan; ní chuireann PDF scantha gan sraith téacs aon rud leis, ós rud é nach bhfuil aon fhocail le hinnéacsú ann go bunúsach.
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}")
Ceistigh le Cuardach Comhad
Tá an glao simplí d’aon ghnó: dearbhaíonn tú an uirlis, fiafraíonn tú do cheiste, agus cinneann an múnla an bhfuil gá le cuardach. Tarlaíonn an obair RAG go léir—míreáil, veicteoiriú, rangú, agus instealladh isteach sa chomhthéacs—ar an bhfreastalaí. Sábhálann sé seo go leor ama ag am tosaithe, agus clúdaíonn an chéad cheacht eile na socruithe a chaithfidh tú a bheith ar an eolas fúthu nuair nach leor na luachanna réamhshocraithe.
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)
Déanann an múnla cuardach ar do dhoiciméid go huathoibríoch agus foirmlíonn sé freagra bunaithe ar an ábhar a aimsíonn sé.
Torthaí Cuardaigh a Scrúdú
Is iad na nótaí míniúcháin a dhéanann idirdhealú idir freagra inbhreathnaithe agus dearbhú simplí. Nocht iad do d’úsáideoirí: ar bhunachar eolais inmheánach, athraíonn an cumas dul siar ar an mbundoiciméad go hiomlán leibhéal na muiníne sa chóras—agus cabhraíonn sé leat cásanna a aithint inar chlis an múnla.
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}")
Cuardach a Chumrú
Líon na dTorthaí
Ní fheabhsaíonn méadú ar líon na bpasáistí an freagra go meicniúil. Thart ar dheich mbliana, caolaíonn blúirí nach bhfuil ró-ábhartha na cinn mhaith agus ídíonn siad comhthéacs billeáilte. Ardaigh an luach seo ach amháin nuair atá an freagra neamhiomlán go soiléir, ní mar mhatter prionsabail.
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
}]
)
Scagadh Meiteashonraí
Is é meiteashonraí an giuirléid is mó a ndéantar neamhaird air le haghaidh cruinnis. Cuireann scagadh de réir bliana, rannóige, nó cineáil doiciméid roimh an gcuardach veicteoireach torann ar lár ón tús nach mbeadh ar an rangú scagadh amach murach sin. Ligeann sé seo duit freagra a thabhairt “de réir an nós imeachta reatha” seachas trí leagan leantacha den doiciméad céanna a mheascadh.
# 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"
}
}]
)
Scagairí Ilchodacha
Comhcheangail critéir iolracha ag baint úsáide as oibreoirí loighciúla:
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}
]
}
}]
)
Timthriall Saoil an Stórais Veicteoraigh a Bhainistiú
Monatóireacht a Dhéanamh ar an Innéacsú
# 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")
Comhaid atá in Am a Bhaint
# 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"
)
Sampla Iomlán: Cúntóir Doiciméadúcháin
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
}
Príomhphointí
- Cruthaigh stóras veicteoireach agus uaslódáil do chuid comhad chun Cuardach Comhad a chumasú
- Cinneann an múnla leis féin cathain a dhéanann sé cuardach ar dhoiciméid
- Rialaíonn
max_num_resultsdoimhneacht an chuardaigh - Cumasaíonn meiteashonraí agus scagairí cuardach spriocdhírithe
- Déan monatóireacht ar stádas an innéacsaithe sula ndéanann tú ceist