Grounding: Sidrži odgovore u činjenicama
Na ovoj stranici
Lekcija ažurirana 3. studenog 2026. na temelju OpenAI dokumentacije: parametri
temperatureitop_pprihvaćeni su samo uz napor rezoniranja (reasoning effort) vrijednostinone, dok modeli GPT-5.6 prema zadanim postavkama rezoniraju (medium). Pozivi koji postavljaju ove parametre stoga moraju specificiratireasoning={"effort": "none"}(Responses API) ilireasoning_effort="none"(Chat Completions). Izvori: Korištenje GPT-6 · GPT-5.6 Terra.
Grounding: Sidrži odgovore u činjenicama
Grounding (sidrenje) ograničava model da svoje odgovore temelji isključivo na podacima koje ti pružiš, a ne na njegovom internom znanju. To je tvoja prva linija obrane od halucinacija i neupitan uvjet čim aplikacija izađe iz faze prototipa. Asistent za podršku koji izmisli klauzulu ugovora ne čini simpatičnu grešku: on pravno obvezuje tvoju tvrtku prema klijentu koji je to pročitao.
Zašto je Grounding neophodan
LLM-ovi generiraju statistički vjerojatan tekst, što nužno ne znači da je tekst činjenično točan. Bez groundinga, model može izmisliti citate, statistike ili tehničke reference koje zvuče savršeno uvjerljivo: verziju softvera koja nikada nije postojala, vjerodostojan, ali lažan rok za odustajanje ili ime parametra stvoreno iz zraka. Ništa u formulaciji ne otkriva izmišljotinu, što upravo čini ovaj fenomen opasnim u produkcijskom okruženju. Što je odgovor bolje napisan, to je manje vjerojatno da će ga korisnik provjeriti, a pravni i reputacijski rizik postaje veći.
Tehnika 1: Eksplicitni kontekst
Najjednostavnija metoda je ujedno i najrobusnija: ubaci izvorni tekst u prompt i zabrani modelu da ide izvan njega. Tvoje upute moraju sadržavati tri elementa: ograničenje na priloženi dokument, točnu frazu koju treba koristiti kada informacija nedostaje i zahtjev za citiranje korištenog odlomka. Testiraj rezultat na rubnom slučaju: zahtjev za povrat novca nakon 45 dana mora aktivirati pravilo o 50% djelomičnog povrata, a ne uslužan odgovor koji kupac želi čuti.
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: Obavezna citiranja
Sljedeća razina zahtijeva referencu za svaku danu tvrdnju. To ima dvostruki učinak. Odgovor postaje provjerljiv za korisnika, koji ga može pratiti natrag do izvornog odlomka umjesto da ti vjeruje na riječ. Model se također samocenzurira oko tvrdnji koje ne može povezati ni s jednim izvorom, budući da mu uputa eksplicitno nalaže da ih izostavi umjesto da ih isporuči bez reference. Numeriranje dokumenata u kontekstu, kao što čini donja funkcija, također čini citate upotrebljivima u tvom sučelju: „[Dokument 2]“ može postati klikabilna poveznica na ispravnu datoteku.
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
Tehnika 3: Provjera nakon generiranja
Prve dvije tehnike smanjuju rizik, ali ga nikada ne eliminiraju u potpunosti. Za kritične slučajeve dodaj drugi prolaz: poseban poziv koji rastavlja odgovor na elementarne tvrdnje i provjerava svaku od njih protiv izvora. Princip je isti kao kod pregleda koda (code review) – autor loše čita vlastiti rad, dok svježe oči čitaju mnogo bolje – i ovdje funkcionira iz istog razloga, jer verifier nije proizveo tekst koji ispituje. Postavljanje temperature na 0.0 nije detalj: verifier mora biti što reproduktivniji, inače nećeš znati proizlazi li promjena presude iz odgovora ili iz raspoloženja modela.
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}
Tehnika 4: Defenzivno promptanje protiv halucinacija
Određene formulacije značajno smanjuju halucinacije i nisu međusobno zamjenjive: svaka rješava drugačiji simptom. Eksplicitna formulacija jednostavno dopušta modelu da prizna neznanje, što je često dovoljno. Kazneni pristup rangira greške jedne naspram drugih, što je korisno kada se suočavaš s modelom koji spontano preferira reći bilo što umjesto ništa. Strukturni pristup ističe nesigurnost u samom izlazu, što je vrijedno kada tvoje sučelje treba vizualno razlikovati ono što je sigurno od onoga što je inferirano. Konačno, pristup ograničenja omeđuje izvor tagovima, što posebno dobro funkcionira kada je ubrizgani kontekst opsežan, a granica između dokumenta i upute riskira postati mutna.
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."
}
Kada se ispravno koriste, ove formulacije smanjuju halucinacije za 60 do 80%. Međutim, to moraš promatrati u vlastitom okruženju umjesto da se oslanjaš na prosjek: stopa groundinga izračunava se ponovnim pokretanjem provjere na seriji odgovora i agregiranjem dobivenih rezultata.
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
Kombiniranje s API alatima
OpenAI API nudi dva nativna alata koja te štede od izgradnje vlastitog sloja za dohvat (retrieval layer). File Search pretražuje dokumente koje si prenio/la i automatski ubacuje relevantne isječke u kontekst. Web Search sidri odgovore u nedavne web rezultate, što pomaže kada se tema razvija brže od tvoje baze dokumenata. U oba slučaja, upute za ograničenje ostaju ključne: alat se brine za donošenje materijala, ali tvoj prompt – i samo tvoj prompt – zabranjuje modelu da odstupi od njega.
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"}]
)
Sada stavi cijeli lanac na test na internom dokumentu tvrtke – FAQ, uvjeti korištenja, tehnička dokumentacija, svejedno je dokle god je stvaran. Izgradi asistenta sa sidrenjem koristeći eksplicitni kontekst, upitaj ga s deset pitanja od kojih tri namjerno pokrivaju točke koje nisu u dokumentu i provjeri odbija li ta tri umjesto da ih uljepšava. Zatim dodaj provjeru nakon generiranja i izmjeri svoju stvarnu stopu groundinga: upravo ta brojka, a ne povjerenje koje imaš u svoj prompt, odlučuje je li asistent spreman za produkciju.
Ključne točke
- Grounding je neophodan za svaku profesionalnu aplikaciju
- Ubaci kontekst izvora izravno u prompt i nametni citiranja
- Provjeri grounding nakon generiranja za kritične slučajeve
- Defenzivne formulacije smanjuju halucinacije za 60 do 80%
- Koristi temperature=0.0-0.1 za maksimalnu vjernost izvorima