Fájlkeresés: Dokumentumok indexelése és lekérdezése
Ezen az oldalon
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_resultsvezérli a keresés mélységét - A metaadatok és szűrők célzott keresést tesznek lehetővé
- Lekérdezés előtt mindig ellenőrizd az indexelési állapotot