Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Retrieval: skaidymas į dalis ir reitingavimas

Paskaita 8 iš 20 Kūrėjas
Šiame puslapyje
  1. Retrieval: skaidymas į dalis ir reitingavimas
  2. Gavimo grandinė
  3. Skaidymo į dalis strategijos konfigūravimas
  4. Aktualumo slenkstis ir reitingavimas
  5. Gavimo kokybės optimizavimas
  6. Gavimo kokybės matavimas
  7. Pažangios strategijos
  8. Svarbiausi punktai

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:

  1. Nuskaitymas (Parsing): iš šaltinio formato išgaunamas žaliasis tekstas
  2. Skaidymas į dalis (Chunking): tekstas padalijamas į kontroliuojamo dydžio segmentus
  3. Įterpimas (Embedding): kiekviena dalis paverčiama vektoriumi
  4. Indeksavimas: vektoriai įrašomi į vektorių indeksą

Užklausos vykdymo metu:

  1. Užklausos įterpimas: klausimas paverčiamas vektoriumi
  2. Vektorinė paieška: identifikuojamos artimiausios dalys
  3. Reitingavimas: rezultatai perrikiuojami pagal aktualumą
  4. 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 tipasmax_chunk_sizeoverlapKodėl
DUK, klausimai ir atsakymai200-40050Trumpi, savarankiški atsakymai
Techninė dokumentacija600-800200Pastraipos su kontekstu
Sutartys, teisiniai tekstai800-1200300Ilgos, tarpusavyje susijusios sąlygos
Programinis kodas400-600100Funkcijos 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

  • static skaidymas į dalis su pasirinktu dydžiu ir persidengimu didina tikslumą
  • Mažos dalys skirtos DUK, didelės – teisiniams dokumentams
  • score_threshold atfiltruoja nereikšmingus rezultatus
  • Prieš indeksuodamas išvalyk ir sutvarkyk savo dokumentus
  • Įvertink gavimo kokybę naudodamas testų rinkinį