Leideanna méadaithe le haisghabháil
Ar an leathanach seo
An ceacht nuashonraithe an 3 Samhain, 2026 bunaithe ar dhoiciméadú OpenAI: níl
temperatureagustop_pinghlactha ach le hiarracht réasúnaíochta denone, cé go ndéanann samhlacha GPT-5.6 réasúnú go huathoibríoch (medium). Caithfidh glaonna a shocraíonn na paraiméadair seoreasoning={"effort": "none"}(API Freagraí) nóreasoning_effort="none"(Críochnú Comhrá) a shonrú dá bhrí sin. Foinse: GPT-6 a úsáid · GPT-5.6 Terra.
Leideanna méadaithe le haisghabháil
Comhcheanglaíonn Leideanna Méadaithe le hAisghabháil (RAP) cuardach doiciméad le leideanna chun comhthéacs ábhartha, cothrom le dáta a sholáthar don tsamhail. Is é seo an t-éabhlóid nádúrtha ar an mbunú: in ionad comhthéacs a instealladh de láimh, uathoibríonn tú an cuardach ar phasáistí ábhartha roimh gach glaoch LLM.
Éiríonn an difríocht soiléir ar scála. Oibríonn trí mhír úsáideacha a ghreamú de láimh ó do dhoiciméadú le haghaidh taispeántais; ach nuair a shroicheann do bhunachar doiciméadachta cúpla céad leathanach agus teacht ceisteanna go leanúnach, ní fios a thuilleadh ag aon duine cé na pasáistí le greamú. Tarmligean RAP an rogha seo do chomhpháirt uathoibríoch, ar a dtugtar roimh gach giniúint, nach bhfuil aon ról aici ach an rud atá le cur sa leid a aimsiú.
Ailtireacht córais RAP
Bristear píblíne RAP síos i dtrí chéim a oibríonn ag luasanna agus costais éagsúla. Déanann innéacsú do doiciméid a chlaochlú go leabaithe veicteora; tarlaíonn sé seo uair amháin, as líne, ag casadh gach doiciméid ina veicteoir uimhriúil a chódálann a bhrí, stóráilte in éineacht leis an téacs bunaidh. I gcodarsnacht leis sin, ritheann aisghabháil ar gach ceist: claochlaíonn tú an cheist ina veicteoir ag baint úsáide as an tsamhail leabaithe céanna, ansin déanann tú cuardach ar na veicteoirí doiciméad is gaire. Ar deireadh, ní leideanna caighdeánacha atá sa mhéadú ach amháin – tógann tú leid córais ina bhfuil na pasáistí a aisghabhadh agus treoraíonn tú an tsamhail gan dul thar an raon feidhme seo.
Cuimhnigh ar an deighilt seo: tarlaíonn gach rud costasach le linn innéacsaithe, áit ar féidir leat a bheith éilitheach, fad is a chaithfidh gach rud a dhéantar arís agus arís eile do gach ceist fanacht tapa. Cuireann an cód thíos an chéad dá chéim i bhfeidhm ag baint úsáide as cosain chosine mar bheart garachta.
from openai import OpenAI
import numpy as np
client = OpenAI()
# Step 1: Generate document embeddings
def embed_texts(texts: list[str]) -> list[list[float]]:
"""Generates embeddings for a list of texts."""
response = client.embeddings.create(
model="text-embedding-3-large",
input=texts
)
return [item.embedding for item in response.data]
# Step 2: Search by cosine similarity
def cosine_similarity(a: list[float], b: list[float]) -> float:
"""Calculates cosine similarity between two vectors."""
a, b = np.array(a), np.array(b)
return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)))
def retrieve(query: str, documents: list[str],
doc_embeddings: list[list[float]],
top_k: int = 3) -> list[str]:
"""Returns the top_k most relevant documents."""
query_emb = embed_texts([query])[0]
scores = [
(i, cosine_similarity(query_emb, doc_emb))
for i, doc_emb in enumerate(doc_embeddings)
]
scores.sort(key=lambda x: x[1], reverse=True)
return [documents[i] for i, _ in scores[:top_k]]
An píblíne iomlán
Tríd na bloic thógála seo a chur le chéile, faigheann tú rang a oireann i dtríocha líne nó mar sin. Tarlaíonn an chuid is mó de na cinntí sa leid córais a ghintear, agus fiú é a léamh líne ar líne. Faigheann an tsamhail ar dtús an t-ordú freagairt NÍ AMHÁIN bunaithe ar na pasáistí soláthraithe, rud a theorannaíonn freagraí hallúcinithe nuair a bhíonn an doiciméadú balbh. Faigheann sí ansin an treoir chun uimhir na pasáiste a lua do gach éileamh, agus is é seo a dhéanann fíorú indéanta: is féidir le hathbhreithnitheoir teacht ar an bhfoinse ar ais ag amharc amháin. Críochnaíonn temperature de 0.1 an socrú – ar fhreagra atá bunaithe i ndoiciméid, is fabht é an chruthaitheacht.
class RAGPipeline:
"""Minimalist RAP pipeline."""
def __init__(self, documents: list[str]):
self.documents = documents
self.embeddings = embed_texts(documents)
def query(self, question: str, top_k: int = 3) -> str:
"""Answers a question based on the documents."""
# Retrieval
relevant_docs = retrieve(
question, self.documents,
self.embeddings, top_k
)
# Prompt augmentation
context = "\n\n---\n\n".join(
f"[Passage {i+1}]\n{doc}"
for i, doc in enumerate(relevant_docs)
)
system = f"""You are a technical assistant.
Answer ONLY based on the provided passages.
If the passages do not contain the answer, say so.
Cite the passage number for every claim.
RELEVANT PASSAGES:
{context}"""
# Generation
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system,
input=question,
temperature=0.1
)
return response.output_text
Míreanna: doiciméid a roinnt
Tá sé ríthábhachtach doiciméid a roinnt ina míreanna chun cáilíocht na haisghabhála a fheabhsú. Má tá na míreanna ró-mhór, báfaidh siad faisnéis ábhartha; má tá siad ró-bheag, cailleann siad comhthéacs. Beidh lámhleabhar API a roinntear i mbloic deich leathanach i gcónaí ag filleadh ar an mbloc ginearálta céanna, beag beann ar an gceist a chuirtear. Má roinntear é ina abairtí aonair, fillfidh sé ar abairt a thosaíonn le “an modh seo” gan a fhios ag an tsamhail cén modh atá i gceist. Maolaíonn forluí go sonrach ar an riosca seo: déanann gach míre deireadh na míre roimhe a athrá, ionas go bhfanann faisnéis a shíneann thar teorainn inléite ó thaobh amháin ar a laghad.
Nuair a bhíonn struchtúr ceanntáisc ag do dhoiciméid, is beagnach i gcónaí fearr míreanna bunaithe ar rannóga ná míreanna de mhéid seasta: fanann rannóg “Fíordheimhniú” slán, lena réamhrá agus a samplaí.
def chunk_document(text: str, chunk_size: int = 500,
overlap: int = 50) -> list[str]:
"""Splits text into chunks with overlap."""
words = text.split()
chunks = []
for i in range(0, len(words), chunk_size - overlap):
chunk = " ".join(words[i:i + chunk_size])
if chunk.strip():
chunks.append(chunk)
return chunks
def chunk_by_sections(text: str) -> list[str]:
"""Splits by sections (Markdown headings)."""
sections = []
current = []
for line in text.split("\n"):
if line.startswith("## ") and current:
sections.append("\n".join(current))
current = [line]
else:
current.append(line)
if current:
sections.append("\n".join(current))
return sections
Straitéisí aisghabhála casta
Athrangú
Tar éis na chéad aisghabhála, úsáid an LLM chun na torthaí a athordú. Is é loighic an tuile: tá cuardach veicteora tapa ach neamhbheacht, ag tabhairt ar ais dúsín iarrthóirí inchreidte; déanann an tsamhail, atá níos moille ach níos mine, na hiarrthóirí seo a léamh arís agus an cheist ar eolas aici agus rangú orthu. Coinníonn tú barr an liosta don ghiniúint ansin. Is é an gnóthachan is infheicthe ar cheisteanna ina bhfuil roinnt pasáistí ag caint faoin ábhar céanna ach nach bhfuil ach ceann amháin acu ag freagairt air i ndáiríre – luaitear an focal “cuóta” i dtrí rannóg, ach ní mhíníonn ach ceann amháin conas é a ardú.
def rerank(question: str, passages: list[str]) -> list[str]:
"""Reorders passages by relevance using the LLM."""
prompt = f"""Question: {question}
Here are candidate passages. Rank them from most relevant
to least relevant for answering the question.
Return only the numbers in order (e.g., 3, 1, 2).
{chr(10).join(f"[{i+1}] {p[:200]}" for i, p in enumerate(passages))}"""
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
input=prompt,
temperature=0.0
)
# Parse returned order and reorganize
return response.output_text
Leabú Doiciméad Hipitéiseach (HyDE)
Gin doiciméad hipitéiseach idéalach, ansin déan cuardach ar dhoiciméid chosúla. Is é an fhadhb a réitíonn an teicníc seo ná mí-oiriúnacht foclóra: ní cosúil le mír de dhoiciméadú teicniúil, go veicteoireach, ceist a chuirtear i ngnáththeanga. Trí iarraidh ar an tsamhail ar dtús an freagra a shamhlaíonn sí a scríobh, faigheann tú téacs atá scríofa i gclár do dhoiciméad, agus is é an téacs seo a úsáideann tú mar an gceist. Ní cuma má tá neamhchruinnis sa mhír hipitéiseach: ní úsáidtear riamh é mar an freagra, ach mar thóirín amháin.
def hyde_retrieve(question: str, documents: list[str],
doc_embeddings: list[list[float]]) -> list[str]:
"""Retrieval via HyDE."""
# Generate a hypothetical passage
hypo_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
input=f"Write a short technical paragraph that would perfectly "
f"answer this question: {question}",
temperature=0.5
)
hypothetical_doc = hypo_response.output_text
# Search for documents similar to the hypothetical passage
return retrieve(hypothetical_doc, documents,
doc_embeddings, top_k=3)
Cuardach Comhaid dúchasach OpenAI a úsáid
Chun imlonnú tapa, tairgeann an API aisghabháil chomhtháite. Uaslódálann tú an comhad, cruthaíonn tú siopa veicteora, ceanglaíonn tú an comhad leis, agus dearbhaíonn tú an uirlis file_search sa ghlaoch: déileáiltear le míreanna, leabú agus cuardach ar an taobh freastalaí. Is é seo an rogha cheart nuair atá do dhoiciméid chaighdeánach agus nach suim leat cá bhfuil na sonraí ina gcónaí. Coinníonn an píblíne baile an buntáiste chomh luath agus a theastaíonn uait máistreacht a fháil ar mhíreanna, an t-innéacs a óstáil leat féin, nó athrangú sonrach a chur isteach.
# Upload file
file = client.files.create(
file=open("documentation.pdf", "rb"),
purpose="assistants"
)
# Create a vector store
vector_store = client.vector_stores.create(
name="Technical Documentation"
)
client.vector_stores.files.create(
vector_store_id=vector_store.id,
file_id=file.id
)
# Query with File Search
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Answer based on the provided documentation.",
input="How do I configure authentication?",
tools=[{
"type": "file_search",
"vector_store_ids": [vector_store.id]
}]
)
Bonnlíne a bhunú
Tóg cúig go deich leathanach de dhoiciméadú teicniúil agus cuir an píblíne iomlán i bhfeidhm, ó mhíreanna go giniúint. Scríobh deich gceist a bhfuil a bhfreagraí sna doiciméid, rith an phíblíne ar gach ceann acu, ansin déan arís le hathrangú cumasaithe: is trí bhreathnú ar na ceisteanna sin a athraíonn an rangú a thuigeann tú cad a chailleann cuardach veicteora leis féin. Críochnaigh trí chéatadán na bhfreagraí atá bunaithe i gceart a thomhas, iad siúd ina dtagraíonn gach éileamh go héifeachtach do phasáiste soláthraithe. Is é an figiúr seo do phointe tosaigh; déanfar breithiúnas ar gach optamú ina dhiaidh sin ina choinne, ní ar an mbrí a d’fhág dhá nó trí fhreagra a léadh go randamach.
Príomhphointí
- Uathoibríonn RAP instealladh comhthéacs ábhartha sa leid
- Tá míreanna ríthábhachtach: déan turgnamh le méideanna éagsúla
- Feabhsaíonn athrangú leis an LLM ábharthacht go suntasach
- Tá HyDE úsáideach nuair a bhíonn an cheist an-difriúil ó fhoclóir na ndoiciméad
- Simplíonn Cuardach Comhaid OpenAI imlonnú do chásanna caighdeánacha