Przejdź do głównej treści
Polski— Wybierz język
Menu

Wyszukiwanie plików kontra niestandardowy RAG: kiedy użyć którego

Lekcja 16 z 22 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Cele
  2. File Search: Zarządzany RAG od OpenAI
  3. Co daje Ci File Search, a czego Cię pozbawia
  4. Macierz decyzyjna
  5. Architektura hybrydowa: najlepsze z obu światów
  6. Podsumowanie

Cele

  • Zrozumieć zarządzany RAG od OpenAI (File Search)
  • Porównać File Search z niestandardowym potokiem RAG
  • Wybrać odpowiednie podejście dla swojego przypadku użycia

File Search: Zarządzany RAG od OpenAI

Właśnie zbudowałeś każdą warstwę potoku RAG, lekcja po lekcji. File Search robi to wszystko za Ciebie. Jest to narzędzie wbudowane w API Responses od OpenAI, które automatycznie obsługuje dzielenie na fragmenty (chunking), tworzenie embeddingów, przechowywanie wektorowe i wyszukiwanie: przesyłasz swoje pliki i zadajesz zapytania. Ta lekcja nie jest odrzuceniem tego, co było wcześniej, lecz szczerą kwestią, którą musisz sobie zadać przed napisaniem jakiejkolwiek linii kodu: jaki poziom abstrakcji jest właściwy dla Twojego projektu?

Wszystko zaczyna się od wektorowego magazynu danych (vector store), czyli kontenera hostującego Twoje zindeksowane dokumenty. Tworzysz go, przesyłasz pliki jeden po drugim, a następnie czekasz na zakończenie indeksowania przed zadaniem zapytania. To oczekiwanie nie jest tylko formalnością: indeksowanie jest asynchroniczne, a zapytanie wysłane zbyt wcześnie zobaczy tylko część zbioru danych.

from openai import OpenAI

client = OpenAI()

# 1. Create a vector store
vector_store = client.vector_stores.create(
    name="product-documentation"
)
print(f"Vector store created: {vector_store.id}")

# 2. Upload files
files = ["user_guide.pdf", "faq.md", "changelog.txt"]

for file in files:
    with open(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
        )
        print(f"  Uploaded: {file}")

# Wait for indexing to complete
import time
while True:
    vs = client.vector_stores.retrieve(vector_store.id)
    if vs.file_counts.completed == vs.file_counts.total:
        break
    time.sleep(2)
print("Indexing complete")

Zadawanie zapytań wymaga następnie tylko jednego wywołania: deklarujesz narzędzie file_search z ID magazynu, a model sam decyduje, kiedy pobrać informacje. Najciekawszą częścią jest odczyt adnotacji, które zawierają cytowania plików. Pozwala to wyświetlać użytkownikowi źródła – zachowanie, które w niestandardowym potoku musiałeś implementować ręcznie.

# Query with File Search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the new features in v3.2?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

# Access cited sources
for annotation in response.output:
    if hasattr(annotation, "annotations"):
        for ann in annotation.annotations:
            if ann.type == "file_citation":
                print(f"  Source: file {ann.file_citation.file_id}")

Dwa ustawienia pozwalają dostroić zachowanie bez wychodzenia poza zarządzane narzędzie. max_num_results określa liczbę pobranych fragmentów, a score_threshold filtruje wyniki o niskim wyniku, dokładnie tak jak próg trafności, który stosowałeś po ponownym rankingu (reranking).

response = client.responses.create(
    model="gpt-5.6-terra",
    input="How do I configure SSO?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 10,         # Number of chunks to retrieve
        "ranking_options": {
            "ranker": "auto",           # Automatic ranker
            "score_threshold": 0.3      # Relevance threshold
        }
    }]
)

Co daje Ci File Search, a czego Cię pozbawia

Decydującym argumentem za File Search jest całkowity brak infrastruktury: żadnej bazy danych wektorowych do uruchamiania, tworzenia kopii zapasowych czy monitorowania. Dzielenie na fragmenty jest wykonywane za Ciebie i optymalizowane przez OpenAI, aktualizacja zbioru danych jest tak prosta jak dodanie lub usunięcie pliku, cytowania są generowane automatycznie, a popularne formaty są obsługiwane natywnie – PDF, DOCX, MD, TXT, HTML, JSON i inne. Zespół bez doświadczenia infrastrukturalnego może uruchomić bazę wiedzy w ciągu jednego popołudnia.

Drugą stroną tej wygody jest utrata kontroli nad każdym ogniwem łańcucha. Nie wybierasz rozmiaru fragmentu, więc kompromis między precyzją a kontekstem z Lekcji 12 wymyka się spod Twojej kontroli. Wyszukiwanie jest czysto semantyczne: brak wyszukiwania hybrydowego, więc odniesienia do produktów i dokładne kody błędów pozostają kwestią delikatną. Nie możesz też podpiąć Cohere ani własnego enkodera krzyżowego (cross-encoder) do ponownego rankingu. Dołóż do tego trzy kolejne strategiczne kwestie: przechowywanie wektorów jest płatne dodatkowo poza wywołaniami API, Twoje dane znajdują się na serwerach OpenAI, a indeksowanie obejmuje tylko tekst.

Niestandardowy potok odwraca tę listę słowo w słowo. Panujesz nad dzieleniem na fragmenty, embeddingami, wyszukiwaniem, ponownym rankingiem i promptowaniem; łączysz wyszukiwanie semantyczne i leksykalne; mieszasz dostawców modeli lub utrzymujesz wszystko on-premise, jeśli wymagają tego Twoje dane; a przede wszystkim optymalizujesz każdy komponent niezależnie, mierząc jego wpływ. Ta kontrola okupiona jest kodem do napisania i utrzymania, bazą danych wektorowych do administrowania oraz wymaganą ekspertyzą – dzielenie na fragmenty, ewaluacja i ponowny ranking nie są działaniami improwizowanymi, co właśnie stanowi sedno tego kursu.

Macierz decyzyjna

KryteriumFile SearchNiestandardowy RAG
Szybkie prototypowanie✅ Idealne⚠️ Wolniejsze
Kontrola nad dzieleniem na fragmenty❌✅
Wyszukiwanie hybrydowe❌✅
Dane wrażliwe⚠️ Na serwerach OpenAI✅ On-premise
Koszt w skali⚠️ Może być wysoki✅ Przewidywalny
Utrzymanie✅ Zerowe⚠️ Do zarządzania
Maksymalna wydajność⚠️ Dobra✅ Optymalizowalna

Architektura hybrydowa: najlepsze z obu światów

Wybór nie musi być ostateczny i nie powinien taki być. Najbardziej opłacalnym podejściem jest rozpoczęcie od File Search, aby zweryfikować, czy Twój przypadek użycia ma sens, a następnie przejście na niestandardowy potok w momencie napotkania zidentyfikowanego limitu. Ukrycie obu rozwiązań za jedną metodą respond sprawia, że ta zmiana jest bezbolesna dla reszty Twojej aplikacji.

class HybridRAG:
    """Start with File Search, switch to custom if needed."""

    def __init__(self, mode: str = "file_search"):
        self.client = OpenAI()
        self.mode = mode

    def respond_file_search(self, question: str, vs_id: str) -> str:
        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=question,
            tools=[{
                "type": "file_search",
                "vector_store_ids": [vs_id]
            }]
        )
        return response.output_text

    def respond_custom(self, question: str, pipeline) -> str:
        result = pipeline.respond(question)
        return result["response"]

    def respond(self, question: str, **kwargs) -> str:
        if self.mode == "file_search":
            return self.respond_file_search(
                question, kwargs["vs_id"]
            )
        else:
            return self.respond_custom(
                question, kwargs["pipeline"]
            )

Gdy migracja staje się konieczna, przebiega według precyzyjnej kolejności:

  1. Eksportuj swoje pliki z magazynu wektorowego
  2. Zaimplementuj dzielenie na fragmenty dostosowane do Twojej treści
  3. Wygeneruj embeddingi za pomocą text-embedding-3-large
  4. Zaindeksuj w bazie danych wektorowych (Qdrant, Pinecone itp.)
  5. Dodaj ponowny ranking i wyszukiwanie hybrydowe
  6. Przeprowadź ewaluację na swoim zbiorze testowym
  7. Porównaj metryki z File Search przed przełączeniem

Ostatni krok jest najczęściej pomijany, a jest jedynym, który uzasadnia wszystkie pozostałe: bez ilościowego porównania możesz zastąpić przyzwoity zarządzany system gorszym rozwiązaniem własnej roboty, dokładając do tego narzut związany z utrzymaniem.

Podsumowanie

  • File Search jest idealny do szybkiego prototypowania systemu RAG bez infrastruktury
  • Niestandardowy potok RAG oferuje pełną kontrolę i wydajność podlegającą optymalizacji
  • Zacznij od File Search, migruj do rozwiązania niestandardowego, gdy napotkasz limity
  • Kryteria decyzyjne: kontrola, dane wrażliwe, koszt, wydajność