Tfittxija ta' Fajls: Indizza u Ikkonsulta Dokumenti
F'din il-paġna
Tfittxija ta’ Fajls: Indizza u Ikkonsulta Dokumenti
It-Tfittxija ta’ Fajls tippermetti lill-mudell ifittex fid-dokumenti privati tiegħek. Inti ttella’ fajls f’ħażna vettorjali (vector store), u l-mudell jikkonsultawhom awtomatikament kull meta jkollu bżonn informazzjoni speċifika. Din hija l-bażi tar-RAG (Retrieval-Augmented Generation) mibnija direttament fl-API ta’ OpenAI.
Oħloq Ħażna Vettorjali
Il-ħażna vettorjali hija l-unità organizzattiva għat-Tfittxija ta’ Fajls, u l-istruttura li tagħżel hawnhekk se tibqa’ miegħek għal żmien twil. Ħażna waħda għall-kumpanija kollha hija faċli biex tiġi amministrata, iżda tħallat dokumenti b’vokabolarji mhux relatati, li tonqos ir-rilevanza. Ħżien separati skont it-tim jew id-dominju jeħtieġu ftit aktar ġestjoni, iżda jagħmlu kull tfittxija ferm aktar preċiża. Meta jkollok dubju, ifridhom: li tgħaqqadhom wara huwa aktar faċli milli tfixkel taħwida.
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}")
Ittella’ u Indizza Fajls
L-indiċjar huwa asinkronu, u din hija l-aktar sors komuni ta’ żball fl-ewwel tentattiv: iżżid fajls, tikkonsulta minnufih, u l-mudell jgħid li ma sab xejn—mhux għax it-tfittxija falliet, iżda għax xejn ma kien ġie indizzat għadu. Dejjem iċċekkja l-istatus qabel ma tikkonsulta, kif muri fit-taqsima dwar iċ-ċiklu tal-ħajja.
Kelma dwar il-formati: il-lista hija wiesgħa, iżda mhux il-fajls kollha huma ugwali. PDF iġġenerat minn proċessur tal-kliem jiġi estratt b’mod nadif; PDF skannjat mingħajr saff ta’ test ma jżid xejn, peress li sempliċiment m’hemm l-ebda kelma biex tiġi indizzata.
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}")
Ikkonsulta bit-Tfittxija ta’ Fajls
Is-sejħa hija intenzjonalment sempliċi: tiddikjara l-għodda, tagħmel il-mistoqsija tiegħek, u l-mudell jiddeċiedi jekk ifittxix. Ix-xogħol kollu tar-RAG—il-qsim f’biċċiet (chunking), il-vetturizzazzjoni, il-klassifikazzjoni (ranking), u l-injezzjoni fil-kuntest—iseħħ fuq is-server. Dan iffranka ħin konsiderevoli fil-bidu, u l-lezzjoni li jmiss tkopri l-issettjar li għandek bżonn tkun taf meta d-defaults ma jkunux biżżejjed.
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-mudell awtomatikament ifittex fid-dokumenti tiegħek u jifformula tweġiba bbażata fuq il-kontenut li jsib.
Eżamina r-Riżultati tat-Tfittxija
L-annotazzjonijiet huma dak li jiddistingwi tweġiba verifikabbli minn sempliċi asserzjoni. Urihom lill-utenti tiegħek: fuq bażi ta’ għarfien interna, il-kapaċità li terġa’ lura għad-dokument oriġinali tbiddel kompletament il-livell ta’ fiduċja fis-sistema—u tgħinek tidentifika każijiet fejn il-mudell żbalja.
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}")
Ikkonfigura t-Tfittxija
Numru ta’ Riżultati
Li żżid in-numru ta’ passiġġi ma jtejjibx mekkanikament it-tweġiba. Wara madwar għaxra, estratti b’rilevanza dgħajfa jdillu dawk tajbin u jikkunsmaw kuntest fatturat. Żid dan il-valur biss meta t-tweġiba tkun viżibbilment mhux kompluta, mhux bħala kwistjoni ta’ prinċipju.
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
}]
)
Filtrazzjoni tal-Metadata
Il-metadata hija l-aktar leva sottovalutata għall-preċiżjoni. Il-filtrazzjoni skont is-sena, id-dipartiment, jew it-tip ta’ dokument qabel it-tfittxija vettorjali telimina n-niżla minn qabel li l-klassifikazzjoni kieku kellha tiffiltra. Dan jippermettilek ukoll twieġeb “skont il-proċedura attwali” minflok ma tħallat tliet verżjonijiet suċċessivi tal-istess dokument.
# 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 Komposti
Għaqqad kriterji multipli bl-użu ta’ operaturi loġiċi:
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}
]
}
}]
)
Immaniġġja ċ-Ċiklu tal-Ħajja tal-Ħażna Vettorjali
Monitoraġġ tal-Indiċjar
# 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")
Neħħi Fajls 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"
)
Eżempju Sħiħ: Assistent tad-Dokumentazzjoni
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 Ewlenin
- Oħloq ħażna vettorjali u ittella’ l-fajls tiegħek biex tattivaw it-Tfittxija ta’ Fajls
- Il-mudell jiddeċiedi waħdu meta jfittex fid-dokumenti
max_num_resultsjikkontrolla l-fond tat-tfittxija- Il-metadata u l-filtri jippermettu tfittxija mmirata
- Immonitorja l-istatus tal-indiċjar qabel ma tikkonsulta