Ricerca file: indicizzazione e interrogazione dei documenti
In questa pagina
- Ricerca file: indicizzazione e interrogazione dei documenti
- Creare un archivio vettoriale
- Caricare e indicizzare i file
- Interrogare con la ricerca file
- Esaminare i risultati della ricerca
- Configurare la ricerca
- Gestire il ciclo di vita dell’archivio vettoriale
- Esempio completo: assistente per la documentazione
- Punti chiave
Ricerca file: indicizzazione e interrogazione dei documenti
La funzione File Search permette al modello di esplorare i tuoi documenti privati. Carichi i file in un archivio vettoriale (vector store) e il modello li interroga automaticamente ogni volta che necessita di informazioni specifiche. Questa è la base del RAG (Retrieval-Augmented Generation) integrato direttamente nelle API di OpenAI.
Creare un archivio vettoriale
L’archivio vettoriale è l’unità organizzativa per la ricerca file e la struttura che scegli qui ti accompagnerà a lungo. Un unico archivio per l’intera azienda è semplice da amministrare, ma mescola documenti con vocabolari non correlati, degradando la pertinenza dei risultati. Archivi separati per team o dominio richiedono una gestione leggermente più complessa, ma rendono ogni ricerca significativamente più precisa. In caso di dubbio, separali: unire in seguito è più facile che districare un pasticcio.
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}")
Caricare e indicizzare i file
L’indicizzazione è asincrona ed è la fonte di errori più comune al primo tentativo: aggiungi i file, interroghi immediatamente e il modello risponde di non aver trovato nulla. Non perché la ricerca sia fallita, ma perché nulla è stato ancora indicizzato. Controlla sempre lo stato prima di interrogare, come mostrato nella sezione sul ciclo di vita.
Una nota sui formati: l’elenco è ampio, ma non tutti i file sono uguali. Un PDF generato da un elaboratore di testi viene estratto pulitamente; un PDF scansionato senza livello di testo non aggiunge nulla, poiché letteralmente non ci sono parole da indicizzare.
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}")
Interrogare con la ricerca file
La chiamata è volutamente diretta: dichiari lo strumento, poni la tua domanda e il modello decide se effettuare una ricerca. Tutto il lavoro di RAG — frammentazione, vettorializzazione, classificazione e iniezione nel contesto — avviene sul server. Questo fa risparmiare molto tempo all’avvio e la prossima lezione copre le impostazioni da conoscere quando i valori predefiniti non bastano.
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)
Il modello cerca automaticamente nei tuoi documenti e formula una risposta basata sul contenuto che trova.
Esaminare i risultati della ricerca
Le annotazioni sono ciò che distingue una risposta verificabile da una mera affermazione. Esponile ai tuoi utenti: in una base di conoscenza interna, la capacità di risalire al documento originale cambia completamente il livello di fiducia nel sistema e ti aiuta a individuare i casi in cui il modello ha sbagliato.
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}")
Configurare la ricerca
Numero di risultati
Aumentare il numero di passaggi non migliora meccanicamente la risposta. Oltre una decina, gli estratti poco pertinenti diluiscono quelli buoni e consumano contesto fatturato. Aumenta questo valore solo quando la risposta è visibilmente incompleta, non come principio generale.
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
}]
)
Filtraggio per metadati
I metadati sono la leva più sottovalutata per la precisione. Filtrare per anno, dipartimento o tipo di documento prima della ricerca vettoriale elimina il rumore a monte che la classificazione avrebbe altrimenti dovuto filtrare. Questo ti permette anche di rispondere «secondo la procedura attuale» invece di mescolare tre versioni successive dello stesso documento.
# 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"
}
}]
)
Filtri composti
Combina più criteri utilizzando operatori logici:
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}
]
}
}]
)
Gestire il ciclo di vita dell’archivio vettoriale
Monitorare l’indicizzazione
# 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")
Rimuovere i file obsoleti
# 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"
)
Esempio completo: assistente per la documentazione
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
}
Punti chiave
- Crea un archivio vettoriale e carica i tuoi file per abilitare la ricerca file
- Il modello decide autonomamente quando cercare nei documenti
max_num_resultscontrolla la profondità della ricerca- Metadati e filtri abilitano ricerche mirate
- Monitora lo stato dell’indicizzazione prima di interrogare