Grounding: A válaszok tényekhez rögzítése
Ezen az oldalon
Lecke frissítve: 2026. november 3. az OpenAI dokumentációja alapján: a
temperatureés atop_pparaméterek csaknonegondolkodási erőfeszítés mellett fogadhatók el, míg a GPT-5.6 modellek alapértelmezetten (medium) gondolkodnak. Ezért az ezeket a paramétereket beállító hívásoknak meg kell adniuk areasoning={"effort": "none"}(Responses API) vagyreasoning_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