Retrieval: Podział na fragmenty i ranking
Na tej stronie
Retrieval: Podział na fragmenty i ranking
File Search opiera się na kompletnym potoku retrieval: Twoje dokumenty są dzielone na fragmenty, wektoryzowane, indeksowane, a następnie rankowane pod kątem trafności po otrzymaniu zapytania. Zrozumienie tego potoku pozwala zoptymalizować jakość odpowiedzi.
Potok Retrieval
Gdy przesyłasz plik do magazynu wektorowego, OpenAI automatycznie wykonuje:
- Parsowanie: Wyodrębnia surowy tekst z formatu źródłowego
- Podział na fragmenty (Chunking): Dzieli tekst na segmenty o kontrolowanym rozmiarze
- Osadzanie (Embedding): Wektoryzuje każdy fragment
- Indeksowanie: Przechowuje wektory w indeksie wektorowym
W momencie zapytania:
- Osadzanie zapytania: Pytanie jest wektoryzowane
- Wyszukiwanie wektorowe: Identyfikuje najbliższe fragmenty
- Ranking: Ponownie rankuje wyniki według trafności
- Iniekcja: Wstrzykuje najlepsze fragmenty do kontekstu modelu
Konfigurowanie strategii podziału na fragmenty
Podział na fragmenty to ustawienie, które napędza wszystko inne, a kompromis jest prosty. Krótkie fragmenty dają precyzyjne wyniki wyszukiwania, ale dostarczają wycinków pozbawionych kontekstu – znajdujesz właściwe zdanie, ale tracisz informację, do czego się ono odnosi. Długie fragmenty zachowują kontekst, ale grzebią istotne informacje w tekście nieistotnym, co osłabia wynik podobieństwa.
Nie ma uniwersalnej wartości: właściwe ustawienie zależy od struktury Twojego dokumentu, dokładnie tak, jak podsumowano to w poniższej tabeli.
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
}
}
)
Wybór odpowiedniego rozmiaru fragmentu
| Typ treści | max_chunk_size | overlap | Dlaczego |
|---|---|---|---|
| FAQ, Q&A | 200-400 | 50 | Krótkie, samodzielne odpowiedzi |
| Dokumentacja techniczna | 600-800 | 200 | Akapity z kontekstem |
| Umowy, teksty prawne | 800-1200 | 300 | Długie, powiązane klauzule |
| Kod źródłowy | 400-600 | 100 | Funkcje i klasy |
Wpływ nakładania się (Overlap)
Nakładanie się rozwiązuje konkretny problem: informacje przechodzące przez granicę fragmentu zostałyby w przeciwnym razie przecięte na pół, co oznaczałoby, że żadna z połówek nie dopasowałaby się do zapytania. Dzięki nakładaniu się fragmentów gwarantujesz, że każde zdanie pojawi się w całości przynajmniej w jednym segmencie. Kosztem jest redundancja – nakładanie się 300 tokenów na fragmentach 800-tokenowych przechowuje niemal 40% zduplikowanego tekstu.
# 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
Próg trafności i ranking
Ranking decyduje o tym, które fragmenty zostaną zachowane. Możesz skonfigurować filtr:
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
}
}]
)
Parametr score_threshold filtruje wyniki poniżej progu trafności. Wartość 0,0 zwraca wszystko, podczas gdy 1,0 byłaby zbyt restrykcyjna. W praktyce przedział od 0,3 do 0,6 daje dobre rezultaty.
Optymalizacja jakości retrieval
Przygotowanie dokumentów
To najbardziej opłacalny dźwignia w całej tej lekcji i jedyna, która nic nie kosztuje w ustawieniach: dobrze ustrukturyzowany dokument indeksuje się dobrze. Używaj wyraźnych nagłówków, zdania wprowadzającego dla każdej sekcji i unikaj tabel konwertowanych na tekstową papkę. Odwrotnie, żadne ustawienie podziału na fragmenty nie uratuje pliku PDF, którego ekstrakcja produkuje splątane kolumny.
# 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
Wzbogacanie metadanymi
Metadane pozwalają na wstępne filtrowanie przed wyszukiwaniem wektorowym, co poprawia precyzję:
# 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"]
}
)
Pomiar jakości retrieval
Bez pomiaru każde ustawienie podziału na fragmenty to tylko intuicja. Zestaw dwudziestu pytań, dla których znasz oczekiwaną odpowiedź i zawierający je dokument, wystarczy, aby uczynić proces obiektywnym: zmień parametr, uruchom ponownie zestaw testowy i porównaj wyniki. To niewiele pracy w porównaniu z godzinami spędzanymi na debatowaniu nad rozmiarem fragmentu bez danych.
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
Strategie zaawansowane
Multi-Vector-Store
Odpytuj wiele baz dokumentów równolegle:
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
}]
)
Zdekomponowane zapytania
Pytanie zawierające wiele żądań generuje średni wektor, który nie przypomina żadnego z nich, co prowadzi do słabych wyników wyszukiwania dla wszystkich. Rozbicie go na osobne podpytania daje znacznie lepsze rezultaty – jest to ta sama zasada co w wyszukiwarkach internetowych: precyzyjne zapytanie wygrywa z wyczerpującym.
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
Kluczowe wnioski
- Podział na fragmenty
staticz niestandardowym rozmiarem i nakładaniem się poprawia precyzję - Małe fragmenty dla FAQ, duże fragmenty dla dokumentów prawnych
score_thresholdfiltruje nieistotne wyniki- Czyść i strukturyzuj swoje dokumenty przed indeksowaniem
- Oceń jakość retrieval za pomocą zestawu testowego