Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Fájlkeresés vs. egyedi RAG: mikor melyiket használd?

16. lecke 22 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Célok
  2. File Search: Az OpenAI kezelt RAG megoldása
  3. Amit a File Search ad, és amit elvesz tőled
  4. Döntési mátrix
  5. Hibrid architektúra: A két világ legjobbika
  6. Főbb megállapítások

Célok

  • Megérteni az OpenAI kezelt RAG megoldását (File Search)
  • Összehasonlítani a File Search-t egy egyedi RAG folyamattal
  • Kiválasztani a megfelelő megközelítést az adott felhasználási esetedhez

File Search: Az OpenAI kezelt RAG megoldása

Az eddigi leckék során lépésről lépésre felépítetted a RAG folyamat minden rétegét. A File Search mindezt elvégzi helyetted. Ez az OpenAI Responses API-ba épített eszköz, amely automatikusan kezeli a darabolást (chunking), a beágyazást (embedding), a vektortárolást és a keresést: csak feltöltöd a fájljaidat, és máris lekérdezheted őket. Ez a lecke nem utasítja el az eddig tanultakat, hanem egy őszinte kérdést tesz fel, amit minden kódírás előtt fel kell tenned magadnak: mi a megfelelő absztrakciós szint a projektedhez?

Minden egy vektortárral (vector store) kezdődik, ami a tároló, ahol az indexelt dokumentumaid helyezkednek el. Létrehozod, egyesével feltöltöd bele a fájlokat, majd megvárod az indexelés befejezését, mielőtt lekérdezést indítanál. Ez a várakozás nem csupán formalitás: az indexelés aszinkron, és egy túl korán indított lekérdezés csak a korpusz egy részét látná.

from openai import OpenAI

client = OpenAI()

# 1. Create a vector store
vector_store = client.vector_stores.create(
    name="product-documentation"
)
print(f"Vector store created: {vector_store.id}")

# 2. Upload files
files = ["user_guide.pdf", "faq.md", "changelog.txt"]

for file in files:
    with open(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
        )
        print(f"  Uploaded: {file}")

# Wait for indexing to complete
import time
while True:
    vs = client.vector_stores.retrieve(vector_store.id)
    if vs.file_counts.completed == vs.file_counts.total:
        break
    time.sleep(2)
print("Indexing complete")

A lekérdezés ezután egyetlen hívással megtörténik: megadod a file_search eszközt a tároló azonosítójával, és a modell eldönti, mikor kell információt visszakeresnie. A legérdekesebb rész az annotációk olvasása, amelyek tartalmazzák a fájlhivatkozásokat. Ez lehetővé teszi, hogy megjelenítsd a forrásokat a felhasználó számára – ezt a viselkedést az egyedi folyamatban neked kellett manuálisan megvalósítanod.

# Query with File Search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the new features in v3.2?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

# Access cited sources
for annotation in response.output:
    if hasattr(annotation, "annotations"):
        for ann in annotation.annotations:
            if ann.type == "file_citation":
                print(f"  Source: file {ann.file_citation.file_id}")

Két beállítás lehetővé teszi a viselkedés finomhangolását anélkül, hogy elhagynád a kezelt eszközt. A max_num_results meghatározza a visszakeresett darabok (chunkok) számát, a score_threshold pedig kiszűri az alacsony pontszámú találatokat, pontosan úgy, ahogy azt az átsorolás (reranking) utáni relevancia-küszöböt alkalmaztad.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="How do I configure SSO?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 10,         # Number of chunks to retrieve
        "ranking_options": {
            "ranker": "auto",           # Automatic ranker
            "score_threshold": 0.3      # Relevance threshold
        }
    }]
)

Amit a File Search ad, és amit elvesz tőled

A File Search mellett szóló legdöntőbb érv az infrastruktúra teljes hiánya: nincs szükség vektoradatbázis üzemeltetésére, biztonsági mentésére vagy monitorozására. A darabolást az OpenAI végzi el és optimalizálja helyetted, a korpusz frissítése olyan egyszerű, mint egy fájl hozzáadása vagy eltávolítása, a hivatkozások automatikusan generálódnak, és a gyakori formátumok natívan támogatottak – PDF, DOCX, MD, TXT, HTML, JSON és még sok más. Egy olyan csapat, amelynek nincs infrastruktúrális szakértelme, délutánra üzemképes tudásbázist hozhat létre.

Ennek a kényelemnek az ára azonban a láncolat minden egyes elemére vonatkozó kontroll elvesztése. Nem te választod meg a darabok méretét, így a 12. leckében tárgyalt pontosság/kontextus kompromisszum kikerül a kezedből. A keresés tisztán szemantikai: nincs hibrid keresés, így a termékhivatkozások és a pontos hibakódok kezelése sérülékeny marad. Emellett nem kapcsolhatsz be Cohere-t vagy egy házi fejlesztésű cross-encodert az átsoroláshoz. Ehhez járul még három stratégiai szempont: a vektortárolás az API-hívásokon felül kerül számlázásra, az adataid az OpenAI szerverein tárolódnak, és az indexelés kizárólag a szövegre terjed ki.

Egy egyedi folyamat ezt a listát pontról pontra megfordítja. Te uralod a darabolást, a beágyazást, a keresést, az átsorolást és a promptolást; kombinálod a szemantikai és a lexikális keresést; vegyítheted a modellszolgáltatókat, vagy mindent helyben (on-premise) tarthatsz, ha az adataid ezt megkövetelik; és ami a legfontosabb: minden komponenst függetlenül optimalizálsz a hatásuk mérésével. Ennek a kontrollnak az ára a megírandó és karbantartandó kód, egy adminisztrálandó vektoradatbázis, valamint a szükséges szakértelem – a darabolás, az értékelés és az átsorolás nem improvisálható, és pontosan ezt tárgyalja ez a kurzus.

Döntési mátrix

KritériumFile SearchEgyedi RAG
Gyors prototípuskészítés✅ Ideális⚠️ Lassabb
Darabolás (chunking) kontrollja❌✅
Hibrid keresés❌✅
Érzékeny adatok⚠️ Az OpenAI-nál✅ Helyben (On-premise)
Költség nagy méretben⚠️ Magas lehet✅ Kiszámítható
Karbantartás✅ Nulla⚠️ Kezelendő
Maximális teljesítmény⚠️ Jó✅ Optimalizálható

Hibrid architektúra: A két világ legjobbika

A választásnak nem kell véglegesnek lennie, és nem is szabad annak lennie. A legköltséghatékonyabb megközelítés, ha a File Search-csel kezdesz annak validálására, hogy a felhasználási eseted megállja-e a helyét, majd arra a napra váltasz egyedi folyamatra, amikor egy azonosított korlátba ütközöl. Ha mindkettőt egyetlen respond metódus mögé kapszulázod, ez a váltás fájdalommentes lesz a alkalmazás többi része számára.

class HybridRAG:
    """Start with File Search, switch to custom if needed."""

    def __init__(self, mode: str = "file_search"):
        self.client = OpenAI()
        self.mode = mode

    def respond_file_search(self, question: str, vs_id: str) -> str:
        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=question,
            tools=[{
                "type": "file_search",
                "vector_store_ids": [vs_id]
            }]
        )
        return response.output_text

    def respond_custom(self, question: str, pipeline) -> str:
        result = pipeline.respond(question)
        return result["response"]

    def respond(self, question: str, **kwargs) -> str:
        if self.mode == "file_search":
            return self.respond_file_search(
                question, kwargs["vs_id"]
            )
        else:
            return self.respond_custom(
                question, kwargs["pipeline"]
            )

Amikor a migráció szükségessé válik, az egy pontos sorrendet követ:

  1. Fájljaid exportálása a vektortárból
  2. Darabolás (chunking) implementálása, amely igazodik a tartalmadhoz
  3. Beágyazások (embeddings) generálása a text-embedding-3-large modellel
  4. Indexelés egy vektoradatbázisban (Qdrant, Pinecone stb.)
  5. Átsorolás (reranking) és hibrid keresés hozzáadása
  6. Értékelés a tesztadathalmazoddal
  7. Összehasonlítás a metrikák alapján a File Search-csel, mielőtt váltanál

Az utolsó lépés az, amit a leggyakrabban kihagynak, pedig ez az egyetlen, ami igazolja az összes többit: mennyiségi összehasonlítás nélkül előfordulhat, hogy egy megfelelően működő kezelt rendszert lecserélsz egy gyengébb házi megoldásra, plusz a karbantartási többletterhelésre.

Főbb megállapítások

  • A File Search ideális egy RAG rendszer gyors prototípusálásához infrastruktúra nélkül
  • Egy egyedi RAG folyamat teljes kontrollt és optimalizálható teljesítményt kínál
  • Kezdj a File Search-csel, és akkor válts egyedire, ha korlátokba ütközöl
  • Döntési kritériumok: kontroll, érzékeny adatok, költség, teljesítmény