Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Recuperação: Fragmentação e Classificação

Aula 8 de 20 Programador
Nesta página
  1. Recuperação: Fragmentação e Classificação
  2. O Pipeline de Recuperação
  3. Configuração da Estratégia de Fragmentação
  4. Limiar de Relevância e Classificação
  5. Otimização da Qualidade da Recuperação
  6. Medição da Qualidade da Recuperação
  7. Estratégias Avançadas
  8. Pontos-chave

Recuperação: Fragmentação e Classificação

A Pesquisa em Ficheiros depende de um pipeline de recuperação completo: os seus documentos são divididos em fragmentos, vetorizados, indexados e, em seguida, classificados por relevância quando chega uma consulta. Compreender este pipeline permite-lhe otimizar a qualidade das respostas.

O Pipeline de Recuperação

Quando carrega um ficheiro para uma loja vetorial, a OpenAI executa automaticamente:

  1. Análise: Extrai o texto bruto do formato de origem
  2. Fragmentação: Divide o texto em segmentos de tamanho controlado
  3. Incorporação: Vetoriza cada fragmento
  4. Indexação: Armazena os vetores no índice vetorial

No momento da consulta:

  1. Incorporação da Consulta: A pergunta é vetorizada
  2. Pesquisa Vetorial: Identifica os fragmentos mais próximos
  3. Classificação: Reordena os resultados por relevância
  4. Injeção: Injeta os melhores fragmentos no contexto do modelo

Configuração da Estratégia de Fragmentação

A fragmentação é a definição que impulsiona todo o resto, e o compromisso é simples. Fragmentos curtos produzem resultados de pesquisa precisos, mas fornecem extratos desprovidos de contexto — encontra a frase certa, mas perde aquilo a que se refere. Fragmentos longos preservam o contexto, mas enterram informações relevantes em texto irrelevante, o que enfraquece a pontuação de similaridade.

Não existe um valor universal: a definição correta depende da estrutura do seu documento, tal como resumido na tabela abaixo.

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
        }
    }
)

Escolha do Tamanho de Fragmento Adequado

Tipo de Conteúdomax_chunk_sizeoverlapPorquê
FAQ, Perguntas e Respostas200-40050Respostas curtas e autónomas
Documentação Técnica600-800200Parágrafos com contexto
Contratos, Textos Legais800-1200300Cláusulas longas e interligadas
Código Fonte400-600100Funções e classes

Impacto da Sobreposição

A sobreposição resolve um problema específico: informações que atravessam o limite de um fragmento seriam, de outra forma, cortadas ao meio, significando que nenhuma das partes corresponderia à consulta. Ao sobrepor fragmentos, garante que cada frase aparece intacta em pelo menos um segmento. O custo é a redundância — uma sobreposição de 300 tokens em fragmentos de 800 tokens armazena quase 40% de texto duplicado.

# 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

Limiar de Relevância e Classificação

A classificação determina quais os fragmentos que são retidos. Pode configurar um filtro:

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
        }
    }]
)

O score_threshold filtra resultados abaixo de um limiar de relevância. Um valor de 0,0 devolve tudo, enquanto 1,0 seria demasiado restritivo. Na prática, valores entre 0,3 e 0,6 produzem bons resultados.

Otimização da Qualidade da Recuperação

Preparação de Documentos

Esta é a alavanca mais rentável em toda esta lição e a única que não custa nada em definições: um documento bem estruturado indexa-se bem. Utilize títulos explícitos, uma frase introdutória para cada secção e evite tabelas convertidas em texto confuso. Por outro lado, nenhuma definição de fragmentação salvará um PDF cuja extração produza colunas emaranhadas.

# 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

Enriquecimento com Metadados

Os metadados permitem a pré-filtragem antes da pesquisa vetorial, o que melhora a precisão:

# 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"]
        }
    )

Medição da Qualidade da Recuperação

Sem medição, qualquer definição de fragmentação é apenas intuição. Um conjunto de vinte perguntas onde conhece a resposta esperada e o documento que a contém é suficiente para objetivar o processo: altere um parâmetro, execute novamente o conjunto de testes e compare. Isto dá pouco trabalho comparado com horas gastas a debater o tamanho dos fragmentos sem dados.

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

Estratégias Avançadas

Múltiplas Lojas Vetoriais

Consulte várias bases de documentos em paralelo:

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
    }]
)

Consultas Decompostas

Uma pergunta que contém múltiplos pedidos produz um vetor médio que não se assemelha a nenhum deles, levando a maus resultados de pesquisa para todos. Dividi-la em subperguntas separadas produz resultados significativamente melhores — este é o mesmo princípio da pesquisa na web: uma consulta precisa supera uma exaustiva.

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

Pontos-chave

  • A fragmentação static com tamanho e sobreposição personalizados melhora a precisão
  • Fragmentos pequenos para FAQs, fragmentos grandes para documentos legais
  • O score_threshold filtra resultados irrelevantes
  • Limpe e estruture os seus documentos antes da indexação
  • Avalie a qualidade da recuperação com um conjunto de testes