Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Zoeken in bestanden: documenten indexeren en bevragen

Les 7 van 20 Ontwikkelaar
Op deze pagina
  1. Zoeken in bestanden: documenten indexeren en bevragen
  2. Een vectoropslag maken
  3. Bestanden uploaden en indexeren
  4. Zoeken met File Search
  5. Zoekresultaten onderzoeken
  6. Zoeken configureren
  7. Levenscyclus van de vectoropslag beheren
  8. Volledig voorbeeld: documentatie-assistent
  9. Belangrijkste punten

Zoeken in bestanden: documenten indexeren en bevragen

Met File Search kan het model door uw privédocumenten zoeken. U uploadt bestanden naar een vectoropslag (vector store) en het model raadpleegt deze automatisch wanneer het specifieke informatie nodig heeft. Dit vormt de basis van RAG (Retrieval-Augmented Generation), direct geïntegreerd in de OpenAI API.

Een vectoropslag maken

De vectoropslag is de organisatorische eenheid voor File Search. De structuur die u hier kiest, blijft lang van kracht. Eén opslag voor het hele bedrijf is eenvoudig te beheren, maar mengt documenten met unrelated vocabulaires, wat de relevantie verslechtert. Aparte opslagen per team of domein vergen iets meer beheer, maar maken elke zoekopdracht aanzienlijk preciezer. Bij twijfel: splits ze op. Later samenvoegen is makkelijker dan een warboel ontwarren.

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}")

Bestanden uploaden en indexeren

Indexeren gebeurt asynchroon. Dit is de meest voorkomende bron van fouten bij de eerste poging: u voegt bestanden toe, stelt direct een vraag en het model zegt niets gevonden te hebben. Niet omdat het zoeken faalde, maar omdat er nog niets geïndexeerd was. Controleer altijd de status voordat u zoekt, zoals beschreven in het hoofdstuk over de levenscyclus.

Een woord over formaten: de lijst is breed, maar niet alle bestanden zijn gelijk. Een PDF gegenereerd door een tekstverwerker laat zich schoon extraheren; een gescande PDF zonder tekstlaag voegt niets toe, omdat er letterlijk geen woorden zijn om te indexeren.

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}")

De aanroep is bewust eenvoudig gehouden: u declareert de tool, stelt uw vraag en het model beslist zelf of het gaat zoeken. Al het RAG-werk—chunking, vectorisatie, ranking en injectie in de context—gebeurt op de server. Dit bespaart aanzienlijk tijd bij de opstart. De volgende les behandelt de instellingen die u moet kennen wanneer de standaardwaarden niet volstaan.

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)

Het model doorzoekt automatisch uw documenten en formuleert een antwoord op basis van de gevonden inhoud.

Zoekresultaten onderzoeken

Annotaties maken het verschil tussen een verifieerbaar antwoord en een louter bewering. Stel ze bloot aan uw gebruikers: bij een interne kennisbank verandert de mogelijkheid om terug te traceren naar het oorspronkelijke document het vertrouwensniveau in het systeem volledig. Het helpt u ook gevallen te spotten waarin het model de plank missloeg.

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}")

Zoeken configureren

Aantal resultaten

Het aantal fragmenten verhogen verbetert het antwoord niet mechanisch. Voorbij een stuk of tien verdunnen zwak relevante fragmenten de goede en consumeren ze gefactureerde context. Verhoog deze waarde alleen wanneer het antwoord zichtbaar onvolledig is, niet als principekwestie.

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
    }]
)

Filteren op metadata

Metadata is de meest onderbenutte hefboom voor precisie. Filteren op jaar, afdeling of documenttype vóór de vectorzoekopdracht elimineert ruis die ranking anders achteraf zou moeten wegfilteren. Hiermee kunt u ook antwoorden “volgens de huidige procedure” in plaats van drie opeenvolgende versies van hetzelfde document te mengen.

# 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"
        }
    }]
)

Samengestelde filters

Combineer meerdere criteria met logische operatoren:

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}
            ]
        }
    }]
)

Levenscyclus van de vectoropslag beheren

Indexering monitoren

# 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")

Verouderde bestanden verwijderen

# 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"
)

Volledig voorbeeld: documentatie-assistent

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
    }

Belangrijkste punten

  • Maak een vectoropslag aan en upload uw bestanden om File Search mogelijk te maken
  • Het model beslist zelf wanneer het documenten doorzoekt
  • max_num_results stuurt de diepte van de zoekopdracht
  • Metadata en filters maken gericht zoeken mogelijk
  • Controleer de indexeerstatus voordat u zoekt