Grounding: Kotwiczenie odpowiedzi w faktach
Na tej stronie
Lekcja zaktualizowana 3 listopada 2026 na podstawie dokumentacji OpenAI: parametry
temperatureitop_psą akceptowane wyłącznie przy wysiłku rozumowania (reasoning effort) ustawionym nanone, podczas gdy modele GPT-5.6 domyślnie przeprowadzają rozumowanie (medium). Wywołania ustawiające te parametry muszą zatem określaćreasoning={"effort": "none"}(Responses API) lubreasoning_effort="none"(Chat Completions). Źródła: Using GPT-6 · GPT-5.6 Terra.
Grounding: Kotwiczenie odpowiedzi w faktach
Grounding (kotwiczenie) ogranicza model do opierania odpowiedzi wyłącznie na dostarczonych przez Ciebie danych, a nie na jego wewnętrznej wiedzy. Jest to Twoja pierwsza linia obrony przed halucynacjami i wymóg nienegocjowalny, gdy aplikacja wychodzi poza fazę prototypu. Asystent wsparcia, który wymyśla klauzulę umowną, nie popełnia uroczego błędu: prawnie wiąże Twoją firmę z klientem, który to przeczytał.
Dlaczego grounding jest niezbędny
Duże modele językowe (LLM) generują tekst statystycznie prawdopodobny, co niekoniecznie oznacza tekst faktograficznie poprawny. Bez groundingu model może sfabrykować cytaty, statystyki lub odniesienia techniczne, które brzmią całkowicie wiarygodnie: numer wersji, który nigdy nie istniał, przekonujący, lecz fałszywy okres odstąpienia od umowy lub nazwa parametru wymyślona z powietrza. Nic w formulacji nie zdradza fabrykacji, co właśnie czyni to zjawisko niebezpiecznym w środowisku produkcyjnym. Im lepiej napisana odpowiedź, tym mniejsze prawdopodobieństwo, że użytkownik ją zweryfikuje, a ryzyko prawne i wizerunkowe rośnie.
Technika 1: Jawny kontekst
Najprostsza metoda jest jednocześnie najbardziej solidna: wstrzyknij tekst źródłowy do promptu i zabroń modelowi wychodzenia poza jego zakres. Twoje instrukcje muszą zawierać trzy elementy: ograniczenie do dostarczonego dokumentu, dokładną frazę zastępczą do użycia w przypadku braku informacji oraz wymóg cytowania wykorzystanego fragmentu. Przetestuj wynik na przypadku brzegowym: żądanie zwrotu pieniędzy po 45 dniach musi uruchomić zasadę 50% zwrotu częściowego, a nie usłużną odpowiedź, której klient oczekuje.
from openai import OpenAI
client = OpenAI()
document = """
Acme Corp Refund Policy (v3.2, January 2026):
- Full refund within 30 days of purchase
- Partial refund (50%) between 30 and 60 days
- No refund after 60 days
- Customized products are non-refundable
- Refunds are processed within 5 business days
"""
system = """You are an Acme Corp customer support assistant.
STRICT RULES:
- Answer ONLY based on the document provided below
- If the answer is not in the document, say "I do not have
this information in our current policy"
- NEVER make assumptions beyond the document
- Quote the relevant passage in quotation marks
REFERENCE DOCUMENT:
""" + document
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system,
input="I would like a refund for an item purchased 45 days ago.",
temperature=0.1
)
Technika 2: Obowiązkowe cytowania
Kolejny poziom wymaga podania odniesienia dla każdego postawionego twierdzenia. Ma to podwójny skutek. Odpowiedź staje się weryfikowalna przez użytkownika, który może prześledzić ją z powrotem do oryginalnego fragmentu, zamiast wierzyć Ci na słowo. Model również sam ocenzuruje twierdzenia, których nie może powiązać z żadnym źródłem, ponieważ instrukcja wyraźnie nakazuje ich pominięcie, zamiast dostarczania ich bez odniesienia. Ponumerowanie dokumentów w kontekście, tak jak robi to poniższa funkcja, sprawia również, że cytowania są użyteczne w Twoim interfejsie: „[Dokument 2]“ może stać się klikalnym linkiem do właściwego pliku.
system_with_citations = """You are a research assistant.
For every assertion in your response, add a reference
to the source passage in brackets, for example: [Source: paragraph 3].
If you cannot cite a source passage, do not include the assertion.
Response format:
1. Response with inline citations
2. "Sources Used" section with exact excerpts"""
def reponse_grounded(question: str, documents: list[str]) -> str:
"""Generate a grounded response with citations."""
context = "\n\n---\n\n".join(
f"[Document {i+1}]\n{doc}"
for i, doc in enumerate(documents)
)
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system_with_citations + f"\n\nDOCUMENTS:\n{context}",
input=question,
temperature=0.1
)
return response.output_text
Technika 3: Weryfikacja po generowaniu
Pierwsze dwie techniki redukują ryzyko, ale nigdy go nie eliminują całkowicie. W przypadkach krytycznych dodaj drugie przejście: dedykowane wywołanie, które rozbija odpowiedź na elementarne twierdzenia i sprawdza każde z nich wobec źródeł. Zasada jest taka sama jak w przypadku przeglądu kodu (code review) – autor źle czyta własną pracę, podczas gdy świeże oko czyta ją znacznie lepiej – i działa tutaj z tego samego powodu, ponieważ weryfikator nie wygenerował tekstu, który bada. Ustawienie temperatury na 0.0 nie jest szczegółem: weryfikator musi być jak najbardziej powtarzalny, w przeciwnym razie nie będziesz wiedzieć, czy zmieniający się werdykt wynika z odpowiedzi, czy z „nastroju“ modelu.
def verifier_grounding(reponse: str, sources: str) -> dict:
"""Verify whether a response is properly grounded in the sources."""
verification_prompt = f"""Analyze whether this response is faithful to the sources.
RESPONSE TO VERIFY:
{reponse}
SOURCES:
{sources}
For each assertion in the response, indicate:
- The assertion
- Whether it is supported by the sources (YES/NO)
- The corresponding source passage (or "None")
End with a grounding score: X supported assertions / Y total."""
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
input=verification_prompt,
temperature=0.0
)
return {"verification": response.output_text}
Technika 4: Defensywne promptowanie antyhalucynacyjne
Określone sformułowania znacząco redukują halucynacje i nie są one zamienne: każde z nich adresuje odmienny objaw. Sformułowanie jawne po prostu pozwala modelowi przyznać się do niewiedzy, co często wystarcza. Podejście karzące ranguje błędy względem siebie, co jest przydatne w konfrontacji z modelem, który spontanicznie woli powiedzieć cokolwiek niż nic. Podejście strukturalne uwidacznia niepewność w samym wyniku, co jest cenne, gdy Twój interfejs musi wizualnie odróżniać to, co pewne, od tego, co wnioskowane. Wreszcie, podejście ograniczające wyznacza źródło za pomocą tagów, co działa szczególnie dobrze, gdy wstrzykiwany kontekst jest obszerny, a granica między dokumentem a instrukcją ryzykuje zatarciem.
defensive_prompts = {
"explicit": "If you do not know the answer, say 'I don't know'.",
"penalizing": "It is FORBIDDEN to invent information. "
"An 'I don't know' response is always preferable "
"to incorrect information.",
"structural": "For each point in your response, indicate your confidence level: "
"[CERTAIN] based on the document, "
"[PROBABLE] inferred from context, [UNCERTAIN] unverified.",
"constrained": "Answer using EXCLUSIVELY the information "
"between the <source> and </source> tags. "
"Any external information is forbidden."
}
Gdy są używane poprawnie, te sformułowania redukują halucynacje o 60 do 80%. Musisz jednak obserwować to we własnym środowisku, zamiast polegać na średniej: wskaźnik groundingu oblicza się, odtwarzając weryfikację na partii odpowiedzi i agregując uzyskane wyniki.
def taux_grounding(reponses: list[dict]) -> float:
"""Calculate the grounding rate across a set of responses.
Each response is a dict with 'reponse' and 'sources'.
"""
scores = []
for item in reponses:
verif = verifier_grounding(item["reponse"], item["sources"])
# Extract the score (adapt to output format)
scores.append(verif)
return scores
Łączenie z narzędziami API
API OpenAI oferuje dwa natywne narzędzia, które избавiają Cię od budowania własnej warstwy retrievalu. File Search przeszukuje przesłane przez Ciebie dokumenty i automatycznie wstrzykuje odpowiednie fragmenty do kontekstu. Web Search kotwiczy odpowiedzi w najnowszych wynikach z sieci, co pomaga, gdy temat ewoluuje szybciej niż Twoja baza dokumentów. W obu przypadkach instrukcje ograniczające pozostają niezbędne: narzędzie zajmuje się dostarczaniem materiału, ale to Twój prompt – i tylko Twój prompt – zabrania modelowi odchodzenia od niego.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Answer based only on the provided documents.",
input="What are the warranty conditions?",
tools=[{"type": "file_search"}]
)
Teraz poddaj pełny łańcuch testowi na wewnętrznym dokumencie firmowym – FAQ, regulaminie, dokumentacji technicznej, nieważne, byle był prawdziwy. Zbuduj asystenta opartego na groundingu przy użyciu jawnego kontekstu, zadaj mu dziesięć pytań, z których trzy celowo dotyczą punktów nieobecnych w dokumencie, i sprawdź, czy odmówi odpowiedzi na te trzy, zamiast je upiększać. Następnie dodaj weryfikację po generowaniu i zmierz swój rzeczywisty wskaźnik groundingu: to ta liczba, a nie zaufanie, jakie pokładasz w swoim prompcie, decyduje o tym, czy asystent nadaje się do środowiska produkcyjnego.
Kluczowe wnioski
- Grounding jest niezbędny dla każdej aplikacji profesjonalnej
- Wstrzyknij kontekst źródłowy bezpośrednio do promptu i wymuszaj cytowania
- Zweryfikuj grounding po generowaniu w przypadkach krytycznych
- Defensywne sformułowania redukują halucynacje o 60 do 80%
- Użyj temperature=0.0-0.1, aby zmaksymalizować wierność źródłom