Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Fájlkeresés: Dokumentumok indexelése és lekérdezése

7. lecke 20 közül Fejlesztő
Ezen az oldalon
  1. Fájlkeresés: Dokumentumok indexelése és lekérdezése
  2. Vektortár létrehozása
  3. Fájlok feltöltése és indexelése
  4. Lekérdezés Fájlkereséssel
  5. Keresési eredmények vizsgálata
  6. Keresés konfigurálása
  7. A vektortár életciklusának kezelése
  8. Teljes példa: Dokumentációs asszisztens
  9. Főbb megállapítások

Fájlkeresés: Dokumentumok indexelése és lekérdezése

A Fájlkeresés (File Search) lehetővé teszi, hogy a modell átnézze a saját, privát dokumentumaidat. Feltöltesz fájlokat egy vektortárba (vector store), és a modell automatikusan lekérdezi azokat, amikor specifikus információra van szüksége. Ez a RAG (Retrieval-Augmented Generation) alapja, amely közvetlenül beépült az OpenAI API-ba.

Vektortár létrehozása

A vektortár a Fájlkeresés szervezeti egysége, és az itt választott struktúra hosszú távon meghatározó lesz. Egyetlen tároló használata az egész cég számára könnyen kezelhető, de összekeveri a nem összefüggő szókincset tartalmazó dokumentumokat, ami rontja a találatok relevanciáját. A csapatok vagy témakörök szerinti külön tárolók kicsit több menedzsmentet igényelnek, de minden keresést jelentősen pontosabbá tesznek. Ha bizonytalan vagy, válaszd szét őket: később könnyebb egyesíteni őket, mint szétbogozni egy káoszt.

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}")

Fájlok feltöltése és indexelése

Az indexelés aszinkron folyamat, és ez az első próbálkozások leggyakoribb hibaforrása: feltöltöd a fájlokat, azonnal lekérdezést indítasz, és a modell azt mondja, nem talált semmit – nem azért, mert a keresés hibázott, hanem mert még semmi sem lett indexelve. Mindig ellenőrizd az állapotot lekérdezés előtt, ahogy azt az életciklus szakaszban látni fogod.

Egy szó a formátumokról: a lista széles körű, de nem minden fájl egyenértékű. Egy szövegszerkesztőből generált PDF tisztán kinyerhető; egy szövegréteg nélküli szkennelt PDF semmit sem ad hozzá, mivel szó szerint nincsenek benne szavak, amelyeket indexelni lehetne.

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}")

Lekérdezés Fájlkereséssel

A hívás szándékosan egyszerű: deklarálod az eszközt, felteszed a kérdést, és a modell eldönti, hogy keressen-e. A teljes RAG munka – darabolás, vektorizálás, rangsorolás és a kontextusba való beillesztés – a szerveren történik. Ez jelentős időt takarít meg az indításkor, és a következő lecke tárgyalja azokat a beállításokat, amelyeket ismerned kell, amikor az alapértelmezések nem elegendőek.

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)

A modell automatikusan átkutatja a dokumentumaidat, és a talált tartalom alapján fogalmazza meg a választ.

Keresési eredmények vizsgálata

Az annotációk (hivatkozások) azok, amelyek megkülönböztetik az ellenőrizhető választ a puszta állítástól. Tedd ezeket elérhetővé a felhasználóid számára: egy belső tudásbázis esetén az eredeti dokumentumig való visszavezethetőség képessége teljesen megváltoztatja a rendszerbe vetett bizalom szintjét – és segít felismerni azokat az eseteket, amikor a modell mellényúlt.

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}")

Keresés konfigurálása

Találatok száma

A passzázsok számának növelése nem javítja mechanikusan a választ. Körülbelül tíz felett a gyengén releváns részletek felhígítják a jókat, és fogyasztják a számlázott kontextust. Csak akkor növeld ezt az értéket, ha a válasz láthatóan hiányos, nem elvi alapon.

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
    }]
)

Metaadat-szűrés

A metaadatok a leginkább kihasználatlan eszköz a pontosság növelésére. Az év, osztály vagy dokumentumtípus szerinti szűrés még a vektoros keresés előtt kiküszöböli a zajt, amelyet egyébként a rangsorolásnak kellene kiszűrnie. Ez lehetővé teszi azt is, hogy „a jelenlegi eljárás szerint“ válaszolj, ahelyett, hogy összekevernéd ugyanannak a dokumentumnak három egymást követő verzióját.

# 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"
        }
    }]
)

Összetett szűrők

Több kritérium kombinálása logikai operátorok segítségével:

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}
            ]
        }
    }]
)

A vektortár életciklusának kezelése

Indexelés monitorozása

# 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")

Elavult fájlok eltávolítása

# 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"
)

Teljes példa: Dokumentációs asszisztens

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
    }

Főbb megállapítások

  • Hozz létre egy vektortárat és töltsd fel a fájljaidat a Fájlkeresés engedélyezéséhez
  • A modell maga dönti el, mikor keressen a dokumentumokban
  • A max_num_results vezérli a keresés mélységét
  • A metaadatok és szűrők célzott keresést tesznek lehetővé
  • Lekérdezés előtt mindig ellenőrizd az indexelési állapotot