Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Támogatott fájlformátumok

2. lecke 16 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Az egyetlen számítóképességgel bíró kritérium
  2. A négy támogatott kategória
  3. Gyakori buktatók
  4. Válaszd a lehető legstrukturáltabb formátumot
  5. Főbb megállapítások

Az egyetlen számítóképességgel bíró kritérium

Mielőtt megkérdeznéd, hogy egy adott formátum működik-e, tegyél fel magadnak egy egyszerűbb kérdést: tartalmaz a fájl kinyerhető szöveget? A xAI Files API szöveges fájlokat kezel. Ha bármelyik eszköz képes karaktereket kinyerni belőle optikai karakterfelismerés (OCR) nélkül, akkor a dokumentum valószínűleg elfogadott. A tiszta bináris fájlok – képek, hanganyagok, videók – nem ide valók; egy kép esetén a helyes megoldás az input_image használata a Responses API-ban, nem pedig a Files API-ban.

Ez az egyetlen kritérium magyarázza a legtöbb elutasítást, amivel találkozhatsz. Ez magyarázza azt is, miért működik tökéletesen egy pénzügyi jelentés PDF formátumban, míg egy asztali szkennerről származó PDF nem: az első szövegréteget tartalmaz, a második csupán oldalak fotóinak sorozata.

A négy támogatott kategória

A támogatott formátumok négy kategóriába sorolhatók, mindegyiknek megvan a maga előnyös felhasználási területe.

KategóriaFormátumokAmit a Grok kinyer
Irodai dokumentumokPDF, DOCX, ODT, EPUB, RTFSzöveg, táblázatok, szakaszszerkezet
Forráskód.py, .js, .ts, .java, .go, .rs, .cpp, HTML, CSS, XML és 80+ nyelvImportálások, függőségek, fájlszerkezet
Strukturált adatokCSV, TSV, JSON, JSON-LD, vCardMezőhierarchia, statisztikák, trendek
Egyszerű szövegTXT, MDLineáris tartalom, Markdown címsorok és listák

Az irodai dokumentumok oldaláról nézve a PDF marad a leggyakoribb formátum, és a Grok kinyeri belőle a szöveget, a táblázatokat és a szakaszokra bontást. Egy Word DOCX megőrzi a formázását – félkövér, dőlt, listák – a kinyerés során, csakúgy, mint annak nyílt forráskódú megfelelője, az ODT. Az EPUB akkor válik érdekessé, ha hosszú kiadványokkal, fehér könyvekkel vagy teljes kézikönyvekkel dolgozol. Az RTF, bár régebbi technológia, még mindig elég elterjedt ahhoz, hogy támogassuk.

A forráskód az a terület, ahol a Files API a leginkább megkülönbözteti magát a másolás-beillesztéstől. Ha a payment.py fájlt teljes egészében küldöd el egy elszigetelt függvény helyett, az megváltoztatja az elemzés jellegét: a Grok látja az importálásokat, a függőségeket és a fájlszervezést, így képes észrevenni, hogy egy kivételt harminc sorral feljebb kezelnek, vagy hogy a legfelső részen definiált konstans ellentmond az alján lévő kommentnek. Több mint 80, szöveges szintaxissal rendelkező nyelv támogatott.

Az adatformátumok elsősorban mennyiségi elemzést szolgálnak. Egy havi eladásokat tartalmazó CSV lehetővé teszi a Grok számára, hogy kiszámítsa az eltéréseket, felismerje a szezonalitást és összefoglaljon több ezer soros adathalmazokat; egy JSON konfiguráció vagy API-válasz hozzáférést biztosít a mezők közötti hierarchiához és kapcsolatokhoz, amit egy lapított táblázat nem mutatna meg. A JSON-LD szemantikus kontextust ad a linked data-hoz, a vCard pedig a névjegykártyákat fedi le. Végül a TXT és az MD a várakozásoknak megfelelően működik, ahol a Markdown előnye, hogy képes közvetíteni a címsorok és listák könnyűszerkezetét.

Gyakori buktatók

Négy korlátozás folyamatosan előfordul éles környezetben. Az első a méret: fájlonként 48 MB, ami felett fel kell osztanod a dokumentumot. A második a kódolás: a fájloknak UTF-8 kódolásúnak kell lenniük, és egy ISO-8859 vagy Windows-1252 kódolású export sérült ékezetes karaktereket eredményez, néha észrevétlenül – egy `é` karakter `é`-vé válása egy szerződés közepén addig észrevétlen marad, amíg egy keresés eredménytelen nem lesz. A harmadik a képfeldolgozás hiánya: a PNG, JPG vagy GIF fájlok nem ide valók, itt az input_image használandó. A negyedik eset a szkennelt PDF OCR szövegréteg nélkül, amelyet a feltöltés elfogad, de lekérdezéskor nem ad vissza eredményt.

Ez az utóbbi helyzet egy egyszerű szokás kialakítását igényli: mielőtt bizonytalan eredetű PDF kötegeket töltenél fel, nyiss meg egyet, és próbáld meg kiválasztani az egérrel a szöveg egy bekezdését. Ha semmi sem jelölhető ki, akkor a dokumentumaidat előzőleg OCR feldolgozáson kell átesniük.

Válaszd a lehető legstrukturáltabb formátumot

Amikor ugyanaz az információ többféle formában létezik, mindig a lehető legstrukturáltabbat válaszd. Jelentéselemzéshez előnyben részesítsd az eredeti PDF-et vagy DOCX-et, amelyek megőrzik a hierarchiát, szemben egy egyszerű szöveges exporttal. Adatelemzéshez a táblázatokhoz a CSV, a hierarchikus adatokhoz pedig a JSON jobb eredményt ad, mint egy táblázatkezelőből egyszerű szöveggé alakított export. Kódfelülvizsgálathoz küldd el az eredeti forrásfájlt az eredeti kiterjesztésével. Dokumentációhoz a Markdown vagy a PDF működik, attól függően, mi áll rendelkezésedre a forrásnál. A szabály egyetlen mondatra redukálható: minden megtartott strukturális szint egy olyan kontextusszint, amit a modellnek nem kell újra felépítenie.

Főbb megállapítások

  • A Files API támogatja a dokumentumokat (PDF, DOCX, EPUB), a kódot (80+ nyelv), az adatokat (CSV, JSON) és az egyszerű szöveget
  • A korlát fájlonként 48 MB, UTF-8 kódolással
  • A képek és bináris fájlok nem támogatottak – képekhez használd az input_image paramétert
  • A lehető legstrukturáltabb formátumot részesítsd előnyben a jobb elemzés érdekében