Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Grounding: A válaszok tényekhez rögzítése

8. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Grounding: A válaszok tényekhez rögzítése
  2. Miért elengedhetetlen a grounding?
  3. 1. technika: Explicit kontextus
  4. 2. technika: Kötelező hivatkozások
  5. 3. technika: Generálás utáni ellenőrzés
  6. 4. technika: Defenzív anti-hallucinációs promptolás
  7. Kombinálás API eszközökkel
  8. Főbb megállapítások

Lecke frissítve: 2026. november 3. az OpenAI dokumentációja alapján: a temperature és a top_p paraméterek csak none gondolkodási erőfeszítés mellett fogadhatók el, míg a GPT-5.6 modellek alapértelmezetten (medium) gondolkodnak. Ezért az ezeket a paramétereket beállító hívásoknak meg kell adniuk a reasoning={"effort": "none"} (Responses API) vagy reasoning_effort="none" (Chat Completions) értéket. Források: GPT-6 használata · GPT-5.6 Terra.

Grounding: A válaszok tényekhez rögzítése

A grounding (tényekhez rögzítés) arra kényszeríti a modellt, hogy válaszait kizárólag az általad biztosított adatokra alapozza, ne pedig a belső tudására. Ez az első védelmi vonalad a hallucinációkkal szemben, és nem tárgyalható követelmény, mihelyt egy alkalmazás kilép a prototípus szakaszból. Egy ügyfélszolgálati asszisztens, amely kitalál egy szerződési záradékot, nem egy aranyos hibát követ el: jogilag kötelezi a cégedet az ügyféllel szemben, aki elolvasta azt.

Miért elengedhetetlen a grounding?

Az LLM-ek statisztikailag valószínű szöveget generálnak, ami nem feltétlenül esik egybe a tényekkel helyes szöveggel. Grounding nélkül a modell képes hivatkozásokat, statisztikákat vagy technikai hivatkozásokat kitalálni, amelyek tökéletesen hihetőnek tűnnek: egy soha nem létezett verziószám, egy hihető, de hamis elállási időszak vagy a levegőből kapott paraméternév. A megfogalmazásban semmi nem árulja el a koholmányt, és éppen ez teszi a jelenséget veszélyessé éles környezetben. Minél jobban megírt a válasz, annál kevésbé valószínű, hogy a felhasználó ellenőrzi, és annál nagyobb lesz a jogi és hírnévkockázat.

1. technika: Explicit kontextus

A legegyszerűbb módszer egyben a legrobusztusabb is: illeszd be a forrásszöveget a promptba, és tiltsd meg a modellnek, hogy ezen túlmenjen. Az utasításaidnak három elemet kell tartalmazniuk: a korlátozást a megadott dokumentumra, a pontos tartalmondatot, amelyet hiányzó információ esetén használni kell, valamint a követelményt, hogy idézze a felhasznált részt. Teszteld az eredményt egy szélsőséges eseten: egy 45 napos visszatérítési kérelemnek az 50%-os részleges visszatérítés szabályát kell kiváltania, nem pedig azt a készséges választ, amelyet az ügyfél hallani szeretne.

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
)

2. technika: Kötelező hivatkozások

A következő szint megköveteli, hogy minden állításra hivatkozás tartozzon. Ennek kettős hatása van. A válasz ellenőrizhetővé válik a felhasználó számára, aki visszavezetheti azt az eredeti szakaszhoz, ahelyett, hogy elhinné a szavadat. Emellett a modell önkorlátozást alkalmaz azokra az állításokra, amelyeket nem tud forráshoz kötni, mivel az utasítás kifejezetten arra szólítja fel, hogy hagyja ki őket, ne pedig referencia nélkül közölje őket. A kontextusban lévő dokumentumok számozása, ahogy az alábbi függvény is teszi, lehetővé teszi a hivatkozások használatát a felületeden is: a „[2. dokumentum]“ egy kattintható linkké válhat a megfelelő fájlra.

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

3. technika: Generálás utáni ellenőrzés

Az első két technika csökkenti a kockázatot, de sosem szünteti meg teljesen. Kritikus esetekben adj hozzá egy második lépést: egy dedikált hívást, amely elemi állításokra bontja a választ, és mindegyiket ellenőrzi a forrásokkal szemben. Az elv ugyanaz, mint a kódreview esetén – a szerző rosszul olvassa a saját munkáját, míg egy friss pár szem sokkal jobban –, és itt is ugyanazon okból működik, mivel az ellenőrző nem állította elő azt a szöveget, amelyet vizsgál. A hőmérséklet (temperature) 0.0-ra állítása nem részletkérdés: egy ellenőrzőnek a lehető legreprodukálhatóbbnak kell lennie, különben nem tudod majd eldönteni, hogy a változó ítélet a válaszból vagy a modell hangulatából ered.

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}

4. technika: Defenzív anti-hallucinációs promptolás

Bizonyos megfogalmazások jelentősen csökkentik a hallucinációkat, és ezek nem felcserélhetők: mindegyik egy eltérő tünetet kezel. Az explicit megfogalmazás egyszerűen lehetővé teszi a modell számára, hogy beismerje a tudatlanságot, ami gyakran elég. A büntető megközelítés rangsorolja a hibákat egymáshoz képest, ami akkor hasznos, ha olyan modellel állsz szemben, amely spontán módon inkább bármit mond, mintsem semmit. A strukturális megközelítés felszínre hozza a bizonytalanságot magában a kimenetben, ami akkor értékes, ha a felületednek vizuálisan meg kell különböztetnie a biztosat a következtetettől. Végül a korlátozó megközelítés címkékkel határolja el a forrást, ami különösen jól működik, ha a beillesztett kontextus terjedelmes, és fennáll a veszélye, hogy a dokumentum és az utasítás közötti határ elmosódik.

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."
}

Ha helyesen alkalmazzuk ezeket a megfogalmazásokat, a hallucinációk 60–80%-kal csökkennek. Ezt azonban a saját környezetedben kell megfigyelned, nem pedig egy átlagra hagyatkozni: a grounding rátát úgy számítjuk ki, hogy újrajátszuk az ellenőrzést egy válaszcsomagon, és aggregáljuk a kapott pontszámokat.

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

Kombinálás API eszközökkel

Az OpenAI API két natív eszközt kínál, amelyekkel megspórolhatod a saját lekérdezési réteged (retrieval layer) felépítését. A File Search átnézi a feltöltött dokumentumaidat, és automatikusan beszúrja a releváns részleteket a kontextusba. A Web Search a válaszokat friss webes eredményekhez rögzíti, ami akkor segít, ha a téma gyorsabban fejlődik, mint a dokumentumbázisod. Mindkét esetben az elválasztó utasítások elengedhetetlenek maradnak: az eszköz gondoskodik az anyag behozataláról, de a promptod – és csakis a promptod – tiltja meg a modellnek, hogy eltérjen tőle.

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"}]
)

Most tedd próbára a teljes láncot egy belső vállalati dokumentumon – legyen az GYIK, szolgáltatási feltételek vagy műszaki dokumentáció; mindegy, csak valós legyen. Építsd fel a grounded asszisztenst explicit kontextus használatával, tegyél fel neki tíz kérdést, amelyek közül három szándékosan olyan pontokat fed le, amelyek hiányoznak a dokumentumból, és ellenőrizd, hogy elutasítja-e ezt a hármat ahelyett, hogy kiszínezné őket. Ezután add hozzá a generálás utáni ellenőrzést, és mérd meg a tényleges grounding rátádat: nem a promptodba vetett hited, hanem ez a szám dönti el, hogy az asszisztens készen áll-e az éles üzemre.

Főbb megállapítások

  • A grounding elengedhetetlen minden professzionális alkalmazáshoz
  • Illeszd be a forráskontextust közvetlenül a promptba, és érvényesítsd a hivatkozásokat
  • Ellenőrizd a groundingot generálás után kritikus esetekben
  • A defenzív megfogalmazások 60–80%-kal csökkentik a hallucinációkat
  • Használj temperature=0.0-0.1 értéket a forrásokhoz való hűség maximalizálásához