Wyszukiwanie plików: indeksowanie i odpytywanie dokumentów
Na tej stronie
- Wyszukiwanie plików: indeksowanie i odpytywanie dokumentów
- Tworzenie magazynu wektorowego
- Przesyłanie i indeksowanie plików
- Odpytywanie z wykorzystaniem wyszukiwania plików
- Analiza wyników wyszukiwania
- Konfiguracja wyszukiwania
- Zarządzanie cyklem życia magazynu wektorowego
- Kompletny przykład: Asystent dokumentacji
- Kluczowe wnioski
Wyszukiwanie plików: indeksowanie i odpytywanie dokumentów
Funkcja File Search pozwala modelowi przeszukiwać Twoje prywatne dokumenty. Przesyłasz pliki do magazynu wektorowego, a model automatycznie je odpytuje, gdy tylko potrzebuje konkretnych informacji. To fundament architektury RAG wbudowany bezpośrednio w API OpenAI.
Tworzenie magazynu wektorowego
Magazyn wektorowy to jednostka organizacyjna dla funkcji File Search, a wybrana przez Ciebie struktura pozostanie z Tobą na długo. Pojedynczy magazyn dla całej firmy jest łatwy w administracji, ale miesza dokumenty o niezwiązanej ze sobą terminologii, co obniża trafność wyników. Rozdzielenie magazynów według zespołów lub domen wymaga nieco więcej zarządzania, ale sprawia, że każde wyszukiwanie jest znacznie precyzyjniejsze. W razie wątpliwości rozdzielaj je: scalenie później jest łatwiejsze niż rozplątywanie bałaganu.
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}")
Przesyłanie i indeksowanie plików
Indeksowanie jest procesem asynchronicznym i to najczęstsze źródło błędów przy pierwszej próbie: dodajesz pliki, natychmiast zadajesz pytanie, a model odpowiada, że nic nie znalazł – nie dlatego, że wyszukiwanie zawiodło, ale dlatego, że nic jeszcze nie zostało zaindeksowane. Zawsze sprawdzaj status przed odpytywaniem, jak pokazano w sekcji dotyczącej cyklu życia.
Kilka słów o formatach: lista jest szeroka, ale nie wszystkie pliki są sobie równe. PDF wygenerowany z edytora tekstu ekstrahuje się czysto; zeskanowany PDF bez warstwy tekstowej nic nie wnosi, ponieważ dosłownie nie ma w nim słów do zaindeksowania.
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}")
Odpytywanie z wykorzystaniem wyszukiwania plików
Wywołanie jest celowo proste: deklarujesz narzędzie, zadajesz pytanie, a model decyduje, czy przeprowadzić wyszukiwanie. Cała praca związana z RAG – dzielenie na fragmenty, wektoryzacja, ranking i wstrzykiwanie do kontekstu – odbywa się po stronie serwera. Oszczędza to sporo czasu przy starcie, a następna lekcja omawia ustawienia, które musisz znać, gdy domyślne wartości nie wystarczają.
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)
Model automatycznie przeszukuje Twoje dokumenty i formułuje odpowiedź na podstawie znalezionych treści.
Analiza wyników wyszukiwania
Adnotacje to właśnie to, co odróżnia odpowiedź weryfikowalną od zwykłego twierdzenia. Udostępniaj je swoim użytkownikom: w przypadku wewnętrznej bazy wiedzy możliwość cofnięcia się do oryginalnego dokumentu całkowicie zmienia poziom zaufania do systemu – i pomaga Ci wykryć przypadki, w których model się pomylił.
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}")
Konfiguracja wyszukiwania
Liczba wyników
Zwiększanie liczby fragmentów nie poprawia mechanicznie odpowiedzi. Powyżej dziesięciu lub około tyle słabo trafne fragmenty rozcieńczają te dobre i zużywają płatny kontekst. Podnoś tę wartość tylko wtedy, gdy odpowiedź jest widocznie niekompletna, a nie jako zasadę ogólną.
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
}]
)
Filtrowanie metadanych
Metadane to najczęściej niedoceniany dźwignia precyzji. Filtrowanie według roku, działu lub typu dokumentu przed wyszukiwaniem wektorowym eliminuje szum z góry, który w przeciwnym razie musiałby być odfiltrowany przez ranking. Pozwala to również odpowiadać „zgodnie z aktualną procedurą“, zamiast mieszać trzy kolejne wersje tego samego dokumentu.
# 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"
}
}]
)
Filtry złożone
Łącz wiele kryteriów za pomocą operatorów logicznych:
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}
]
}
}]
)
Zarządzanie cyklem życia magazynu wektorowego
Monitorowanie indeksowania
# 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")
Usuwanie przestarzałych plików
# 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"
)
Kompletny przykład: Asystent dokumentacji
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
}
Kluczowe wnioski
- Utwórz magazyn wektorowy i prześlij do niego pliki, aby włączyć funkcję File Search
- Model samodzielnie decyduje, kiedy przeszukiwać dokumenty
max_num_resultskontroluje głębokość wyszukiwania- Metadane i filtry umożliwiają wyszukiwanie ukierunkowane
- Monitoruj status indeksowania przed odpytywaniem