Retrieval: skaidymas į dalis ir reitingavimas
Šiame puslapyje
Retrieval: skaidymas į dalis ir reitingavimas
Failų paieška veikia remiantis visa gavimo (retrieval) grandine: tavo dokumentai suskaidomi į dalis, paverčiami vektoriais, indeksuojami, o sulaukus užklausos – surikiuojami pagal aktualumą. Suprasdamas šią grandinę, gali optimizuoti atsakymų kokybę.
Gavimo grandinė
Įkėlus failą į vektorių saugyklą, „OpenAI“ automatiškai atlieka šiuos veiksmus:
- Nuskaitymas (Parsing): iš šaltinio formato išgaunamas žaliasis tekstas
- Skaidymas į dalis (Chunking): tekstas padalijamas į kontroliuojamo dydžio segmentus
- Įterpimas (Embedding): kiekviena dalis paverčiama vektoriumi
- Indeksavimas: vektoriai įrašomi į vektorių indeksą
Užklausos vykdymo metu:
- Užklausos įterpimas: klausimas paverčiamas vektoriumi
- Vektorinė paieška: identifikuojamos artimiausios dalys
- Reitingavimas: rezultatai perrikiuojami pagal aktualumą
- Įterpimas: geriausios dalys įtraukiamos į modelio kontekstą
Skaidymo į dalis strategijos konfigūravimas
Skaidymas į dalis yra nustatymas, lemiantis viską kitą, o kompromisas čia paprastas. Trumpos dalys suteikia tikslius paieškos rezultatus, tačiau pateikia ištraukas be konteksto – randi tinkamą sakinį, bet prarandi nuorodą, į ką jis referuoja. Ilgos dalys išlaiko kontekstą, tačiau palaidoja svarbią informaciją nereikšmingame tekste, o tai silpnina panašumo rodiklį.
Nėra universalios reikšmės: tinkamas nustatymas priklauso nuo tavo dokumento struktūros, kaip tiksliai apibendrinta žemiau esančioje lentelėje.
from openai import OpenAI
client = OpenAI()
# Default strategy: auto
vector_store = client.vector_stores.create(
name="legal-base",
chunking_strategy={"type": "auto"}
)
# Custom strategy: smaller chunks for higher precision
vector_store = client.vector_stores.create(
name="support-faq",
chunking_strategy={
"type": "static",
"static": {
"max_chunk_size_tokens": 400,
"chunk_overlap_tokens": 100
}
}
)
Tinkamo dalies dydžio pasirinkimas
| Turinio tipas | max_chunk_size | overlap | Kodėl |
|---|---|---|---|
| DUK, klausimai ir atsakymai | 200-400 | 50 | Trumpi, savarankiški atsakymai |
| Techninė dokumentacija | 600-800 | 200 | Pastraipos su kontekstu |
| Sutartys, teisiniai tekstai | 800-1200 | 300 | Ilgos, tarpusavyje susijusios sąlygos |
| Programinis kodas | 400-600 | 100 | Funkcijos ir klasės |
Persidengimo (Overlap) poveikis
Persidengimas sprendžia konkrečią problemą: informacija, kertanti dalies ribą, kitu atveju būtų perkirsta pusiau, todėl nei viena pusė neatitiktų užklausos. Persidengdami dalimis užtikrini, kad kiekvienas sakinys bent viename segmente liktų sveikas. Kaina – dubliavimasis: 300 tokenų persidengimas 800 tokenų dalyse reiškia, kad saugoma beveik 40 % dubliuoto teksto.
# Original text (simplified)
# "Clause 5.1 states the supplier must deliver within 30 days.
# In case of delay, penalties of 1% per day apply.
# Clause 5.2 specifies penalties are capped at 15%."
# Without overlap: Clause 5.1 and penalties might end up in different chunks
# With overlap: the link between clause and penalties is preserved
Aktualumo slenkstis ir reitingavimas
Reitingavimas nulemia, kurios dalys paliekamos. Gali sukonfigūruoti filtrą:
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the return policy?",
tools=[{
"type": "file_search",
"vector_store_ids": [vector_store.id],
"max_num_results": 10,
"ranking_options": {
"ranker": "auto",
"score_threshold": 0.5
}
}]
)
score_threshold atfiltruoja rezultatus, žemesnius už nustatytą aktualumo slenkstį. Reikšmė 0,0 grąžina viską, o 1,0 būtų per daug ribojanti. Praktiškai nuo 0,3 iki 0,6 duoda gerus rezultatus.
Gavimo kokybės optimizavimas
Dokumentų paruošimas
Tai efektyviausias šios pamokos svertas ir vienintelis, kuris nereikalauja jokių nustatymų išlaidų: gerai struktūruotas dokumentas indeksuojasi puikiai. Naudok aiškias antraštes, įvadinį sakinį kiekvienam skyriui ir venk lentelių, paverstų teksto koše. Atvirkščiai, joks skaidymo į dalis nustatymas neišgelbės PDF failo, kurio nuskaitymas sukuria susipynusius stulpelius.
# Bad: Scanned PDF with approximate OCR
# -> Incoherent chunks, poor-quality embeddings
# Good: Structured document with headings and sections
# -> Chunks aligned with logical sections
# Pattern: Pre-process before upload
def prepare_document(raw_text: str) -> str:
"""Cleans and structures text before indexing."""
# Remove repetitive headers/footers
lines = raw_text.split("\n")
lines = [l for l in lines if not is_header_footer(l)]
# Normalize spaces
text = "\n".join(lines)
text = re.sub(r"\n{3,}", "\n\n", text)
return text
Praturtinimas metaduomenimis
Metaduomenys leidžia atlikti išankstinį filtravimą prieš vektorinę paiešką, o tai didina tikslumą:
# Upload with rich metadata
documents = [
{"file": "hr-policy-2026.pdf", "department": "hr", "type": "policy", "year": 2026},
{"file": "supplier-contract-a.pdf", "department": "procurement", "type": "contract", "year": 2026},
{"file": "it-security-guide.pdf", "department": "it", "type": "guide", "year": 2025},
]
for doc in documents:
with open(doc["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,
attributes={
"department": doc["department"],
"document_type": doc["type"],
"year": doc["year"]
}
)
Gavimo kokybės matavimas
Be matavimo, bet koks skaidymo į dalis nustatymas tėra intuicija. Dvidešimties klausimų rinkinys, kuriame žinai laukiamą atsakymą ir jame esantį dokumentą, pakanka procesui objektyvinti: pakeisk parametrą, iš naujo paleisk testų rinkinį ir palygink. Tai mažai darbo, palyginti su valandomis, praleistomis ginčijantis dėl dalies dydžio be jokių duomenų.
def evaluate_retrieval(test_questions: list[dict], vs_id: str) -> dict:
"""Evaluates retrieval quality on a test set.
Each element in test_questions contains:
- question: the question to ask
- expected_answer: keywords or phrases expected in the response
"""
results = {"total": 0, "relevant": 0, "irrelevant": 0}
for test in test_questions:
response = client.responses.create(
model="gpt-5.6-terra",
input=test["question"],
tools=[{
"type": "file_search",
"vector_store_ids": [vs_id],
"max_num_results": 5
}]
)
answer = response.output_text.lower()
found_keywords = sum(
1 for word in test["expected_answer"]
if word.lower() in answer
)
results["total"] += 1
if found_keywords >= len(test["expected_answer"]) * 0.5:
results["relevant"] += 1
else:
results["irrelevant"] += 1
results["relevance_rate"] = results["relevant"] / results["total"]
return results
Pažangios strategijos
Kelios vektorių saugyklos
Užklausk kelias dokumentų bazes lygiagrečiai:
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare our HR policy with legal obligations",
tools=[{
"type": "file_search",
"vector_store_ids": [
vs_internal_policies,
vs_legal_texts
],
"max_num_results": 15
}]
)
Suskaidytos užklausos
Klausimas, kuriame yra keletas prašymų, sukuria vidutinį vektorių, kuris nepanašus nė į vieną iš jų, todėl visiems gaunami prasti paieškos rezultatai. Suskaidžius jį į atskirus poklausius, rezultatai žymiai geresni – tai tas pats principas kaip ir žiniatinklio paieškoje: tikslus užklausos formulavimas nugalėja išsamią užklausą.
def decomposed_search(complex_question: str, vs_id: str) -> str:
"""Decomposes a complex question into sub-searches."""
# Step 1: Decompose the question
decomposition = client.responses.create(
model="gpt-5.6-terra",
input=f"Decompose this question into 2-3 simple sub-questions: {complex_question}",
)
# Step 2: Search for each sub-question
sub_results = []
for sub_q in decomposition.output_text.split("\n"):
if sub_q.strip():
r = client.responses.create(
model="gpt-5.6-terra",
input=sub_q.strip(),
tools=[{"type": "file_search", "vector_store_ids": [vs_id]}]
)
sub_results.append(r.output_text)
# Step 3: Synthesize
synthesis = client.responses.create(
model="gpt-5.6-terra",
input=f"Original question: {complex_question}\n\n"
f"Intermediate results:\n" + "\n---\n".join(sub_results) +
"\n\nSynthesize a complete and coherent answer."
)
return synthesis.output_text
Svarbiausi punktai
staticskaidymas į dalis su pasirinktu dydžiu ir persidengimu didina tikslumą- Mažos dalys skirtos DUK, didelės – teisiniams dokumentams
score_thresholdatfiltruoja nereikšmingus rezultatus- Prieš indeksuodamas išvalyk ir sutvarkyk savo dokumentus
- Įvertink gavimo kokybę naudodamas testų rinkinį