Aisghabháil: Míreáil agus Rangú
Ar an leathanach seo
Aisghabháil: Míreáil agus Rangú
Braitheann Cuardach Comhad ar phíblíne aisghabhála iomlán: roinntear do chuid doiciméad ina míreanna, déantar veicteoiriú orthu, innéacsítear iad, agus ansin déantar rangú orthu de réir ábharthachta nuair a thagann ceist isteach. Trí thuiscint a bheith agat ar an bpíblíne seo, is féidir leat cáilíocht na bhfreagraí a fheabhsú.
An Phíblíne Aisghabhála
Nuair a uaslódálann tú comhad chuig stór veicteoirí, déanann OpenAI na céimeanna seo a leanas go huathoibríoch:
- Parsáil: Baintear an téacs amh as an fhormáid fhoinsí
- Míreáil: Roinntear an téacs ina dheighleoga de mhéid rialaithe
- Leabú: Déantar veicteoiriú ar gach mír
- Innéacsú: Stóráiltear na veicteoirí san innéacs veicteoirí
Ag am na ceiste:
- Leabú na Ceiste: Déantar veicteoiriú ar an gceist
- Cuardach Veicteoirí: Aithnítear na míreanna is gaire
- Rangú: Déantar na torthaí a ath-rangú de réir ábharthachta
- Instealladh: Cuirtear na míreanna is fearr isteach i gcomhthéacs an mhúnla
An Straitéis Míreála a Chumrú
Is é an míreáil an socruithe a thiomáineann gach rud eile, agus tá an comhréiteach simplí. Tugann míreanna gairide torthaí cuardaigh cruinne ach soláthraíonn siad blúirí gan chomhthéacs – faigheann tú an abairt cheart ach cailleann tú an rud a bhfuil sí ag tagairt dó. Caomhnaíonn míreanna fada an comhthéacs ach cuireann siad faisnéis ábhartha faoi chois i dtéacs nach mbaineann leis an ábhar, rud a laghdaíonn an scór cosúlachta.
Níl aon luach uilíoch ann: braitheann an socruithe ceart ar struchtúr do dhoiciméid, díreach mar a achoimrítear sa tábla thíos.
from openai import OpenAI
client = OpenAI()
# Default strategy: auto
vector_store = client.vector_stores.create(
name="legal-base",
chunking_strategy={"type": "auto"}
)
# Custom strategy: smaller chunks for higher precision
vector_store = client.vector_stores.create(
name="support-faq",
chunking_strategy={
"type": "static",
"static": {
"max_chunk_size_tokens": 400,
"chunk_overlap_tokens": 100
}
}
)
An Méid Míre Ceart a Roghnú
| Cineál Ábhair | max_chunk_size | forluí | Cén fáth |
|---|---|---|---|
| FAQ, Ceisteanna & Freagraí | 200-400 | 50 | Freagraí gairide, neamhspleácha |
| Doiciméadacht Theicniúil | 600-800 | 200 | Míreanna le comhthéacs |
| Conarthaí, Téacsanna Dlíthiúla | 800-1200 | 300 | Clásail fhada, nasctha le chéile |
| Cód Foinse | 400-600 | 100 | Feidhmeanna agus aicmí |
Tionchar an Fhorluithe
Réitíonn forluí fadhb shonrach: dá mbeadh faisnéis ag síneadh thar theorainn míre, ghearrfaí ina dhá leath í, rud a chiallódh nach mbeadh ceachtar den dá leath ag teacht leis an gceist. Trí fhorluí a dhéanamh ar mhíreanna, cinntíonn tú go mbíonn gach abairt slán i ngach deighleog amháin ar a laghad. Is é an costas ná iomarcaíocht – le forluí 300 token ar mhíreanna 800 token, stóráiltear téacs atá dúbailte beagnach 40%.
# Original text (simplified)
# "Clause 5.1 states the supplier must deliver within 30 days.
# In case of delay, penalties of 1% per day apply.
# Clause 5.2 specifies penalties are capped at 15%."
# Without overlap: Clause 5.1 and penalties might end up in different chunks
# With overlap: the link between clause and penalties is preserved
Tairseach Ábharthachta agus Rangú
Cinneann an rangú cé na míreanna a choinnítear. Is féidir leat scagaire a chumrú:
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the return policy?",
tools=[{
"type": "file_search",
"vector_store_ids": [vector_store.id],
"max_num_results": 10,
"ranking_options": {
"ranker": "auto",
"score_threshold": 0.5
}
}]
)
Scagann an score_threshold torthaí atá faoi thairseach ábharthachta. Tugann luach 0.0 gach rud ar ais, ach bheadh 1.0 ró-shriantach. Go praiticiúil, tugann 0.3 go 0.6 torthaí maithe.
Cáilíocht na hAisghabhála a Optamú
Doiciméid a Ullmhú
Seo an luamhán is cost-éifeachtaí sa cheacht seo ar fad, agus an t-aon cheann nach gcostaíonn aon rud i socruithe: déanann doiciméad dea-struchtúrtha innéacsú maith. Úsáid ceanntásc soiléir, abairt réamhrá do gach alt, agus seachain táblaí a thiontaítear ina smután téacs. Os a choinne sin, ní shábhálfaidh aon socruithe míreála PDF a chruthaíonn colúin fhite fuaite nuair a bhaintear an téacs as.
# Bad: Scanned PDF with approximate OCR
# -> Incoherent chunks, poor-quality embeddings
# Good: Structured document with headings and sections
# -> Chunks aligned with logical sections
# Pattern: Pre-process before upload
def prepare_document(raw_text: str) -> str:
"""Cleans and structures text before indexing."""
# Remove repetitive headers/footers
lines = raw_text.split("\n")
lines = [l for l in lines if not is_header_footer(l)]
# Normalize spaces
text = "\n".join(lines)
text = re.sub(r"\n{3,}", "\n\n", text)
return text
Saibhriú le Meiteashonraí
Ligeann meiteashonraí duit réamhscagadh a dhéanamh sula ndéanann tú cuardach veicteoirí, rud a fheabhsaíonn cruinneas:
# Upload with rich metadata
documents = [
{"file": "hr-policy-2026.pdf", "department": "hr", "type": "policy", "year": 2026},
{"file": "supplier-contract-a.pdf", "department": "procurement", "type": "contract", "year": 2026},
{"file": "it-security-guide.pdf", "department": "it", "type": "guide", "year": 2025},
]
for doc in documents:
with open(doc["file"], "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={
"department": doc["department"],
"document_type": doc["type"],
"year": doc["year"]
}
)
Cáilíocht na hAisghabhála a Thomhas
Gan tomhas, ní bhíonn i socruithe míreála ach intuigtheacht. Is leor tacar fiche ceist ina bhfuil a fhios agat an freagra a bhfuiltear ag súil leis agus an doiciméad ina bhfuil sé chun an próiseas a dhéanamh oibiachtúil: athraigh paraiméadar, rith an tacar tástála arís, agus déan comparáid. Is obair bheag é seo i gcomparáid le huaireanta a chaitheamh ag díospóireacht faoi mhéid na míre gan aon sonraí.
def evaluate_retrieval(test_questions: list[dict], vs_id: str) -> dict:
"""Evaluates retrieval quality on a test set.
Each element in test_questions contains:
- question: the question to ask
- expected_answer: keywords or phrases expected in the response
"""
results = {"total": 0, "relevant": 0, "irrelevant": 0}
for test in test_questions:
response = client.responses.create(
model="gpt-5.6-terra",
input=test["question"],
tools=[{
"type": "file_search",
"vector_store_ids": [vs_id],
"max_num_results": 5
}]
)
answer = response.output_text.lower()
found_keywords = sum(
1 for word in test["expected_answer"]
if word.lower() in answer
)
results["total"] += 1
if found_keywords >= len(test["expected_answer"]) * 0.5:
results["relevant"] += 1
else:
results["irrelevant"] += 1
results["relevance_rate"] = results["relevant"] / results["total"]
return results
Straitéisí Casta
Il-Stór-Veicteoirí
Déan cuardach ar bhunáir doiciméad iolracha go comhthreomhar:
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare our HR policy with legal obligations",
tools=[{
"type": "file_search",
"vector_store_ids": [
vs_internal_policies,
vs_legal_texts
],
"max_num_results": 15
}]
)
Ceisteanna Díorthaithe
Cruthaíonn ceist ina bhfuil iarratais iolracha veicteoir meánach nach bhfuil cosúil le ceann ar bith acu, rud a fhágann go mbíonn torthaí cuardaigh bocht do gach ceann acu. Má bhriseann tú síos í ina fo-cheisteanna ar leith, faigheann tú torthaí i bhfad níos fearr – is é an prionsabal céanna é agus atá i gcuardach gréasáin: buaileann ceist chruinn ceist chuimsitheach.
def decomposed_search(complex_question: str, vs_id: str) -> str:
"""Decomposes a complex question into sub-searches."""
# Step 1: Decompose the question
decomposition = client.responses.create(
model="gpt-5.6-terra",
input=f"Decompose this question into 2-3 simple sub-questions: {complex_question}",
)
# Step 2: Search for each sub-question
sub_results = []
for sub_q in decomposition.output_text.split("\n"):
if sub_q.strip():
r = client.responses.create(
model="gpt-5.6-terra",
input=sub_q.strip(),
tools=[{"type": "file_search", "vector_store_ids": [vs_id]}]
)
sub_results.append(r.output_text)
# Step 3: Synthesize
synthesis = client.responses.create(
model="gpt-5.6-terra",
input=f"Original question: {complex_question}\n\n"
f"Intermediate results:\n" + "\n---\n".join(sub_results) +
"\n\nSynthesize a complete and coherent answer."
)
return synthesis.output_text
Príomhphointí
- Feabhsaíonn míreáil
staticle méid agus forluí saincheaptha an cruinneas - Míreanna beaga do FAQanna, míreanna móra do dhoiciméid dhlíthiúla
- Scagann
score_thresholdtorthaí nach mbaineann leis an ábhar - Glan agus struchtúraigh do dhoiciméid sula ndéanann tú innéacsú orthu
- Déan measúnú ar cháilíocht na haisghabhála le tacar tástála