Salt la conținutul principal
Română— Alege o limbă
Meniu

Căutare în fișiere vs. RAG personalizat: când să le utilizați

Lecția 16 din 22 Actualizată 29 iulie 2026 Dezvoltator
Pe această pagină
  1. Obiective
  2. Căutare în fișiere: RAG-ul gestionat de OpenAI
  3. Ce vă oferă Căutarea în fișiere și ce vă ia
  4. Matricea decizională
  5. Arhitectură hibridă: Cele mai bune din ambele lumi
  6. Puncte cheie

Obiective

  • Înțelegeți RAG-ul gestionat de OpenAI (Căutare în fișiere)
  • Comparați Căutarea în fișiere cu un pipeline RAG personalizat
  • Alegeți abordarea potrivită pentru cazul dumneavoastră de utilizare

Căutare în fișiere: RAG-ul gestionat de OpenAI

Tocmai ați construit fiecare strat al unui pipeline RAG, lecție cu lecție. Căutarea în fișiere face toate acestea pentru dumneavoastră. Este un instrument integrat în API-ul Responses de la OpenAI care gestionează automat fragmentarea (chunking), încorporarea (embedding), stocarea vectorială și căutarea: încărcați fișierele și formulați interogări. Această lecție nu respinge ceea ce ați învățat anterior, ci pune o întrebare onestă pe care trebuie să v-o adresați înainte de a scrie orice cod: care este nivelul potrivit de abstractizare pentru proiectul dumneavoastră?

Totul începe cu un stoc vectorial (vector store), containerul care găzduiește documentele indexate. Îl creați, încărcați fișierele unul câte unul și apoi așteptați finalizarea indexării înainte de a interoga. Această buclă de așteptare nu este doar formală: indexarea este asincronă, iar o interogare lansată prea devreme va vedea doar o parte din corpus.

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")

Interogarea necesită apoi un singur apel: declarați instrumentul file_search cu ID-ul stocului, iar modelul decide când să recupereze informații. Partea interesantă constă în citirea adnotărilor, care conțin citările fișierelor. Acest lucru vă permite să afișați sursele utilizatorului – comportament pe care a trebuit să îl implementați manual în pipeline-ul personalizat.

# 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}")

Două setări vă permit să reglați fin comportamentul fără a părăsi instrumentul gestionat. max_num_results stabilește numărul de fragmente recuperate, iar score_threshold filtrează rezultatele cu scoruri scăzute, exact ca pragul de relevanță aplicat după reordonare (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
        }
    }]
)

Ce vă oferă Căutarea în fișiere și ce vă ia

Argumentul decisiv pentru Căutarea în fișiere este absența totală a infrastructurii: nicio bază de date vectorială de provisionat, de care să faceți backup sau pe care să o monitorizați. Fragmentarea este realizată pentru dumneavoastră și optimizată de OpenAI, actualizarea corpusului este la fel de simplă ca adăugarea sau eliminarea unui fișier, citările sunt generate automat, iar formatele comune sunt suportate nativ – PDF, DOCX, MD, TXT, HTML, JSON, printre altele. O echipă fără expertiză în infrastructură poate pune online o bază de cunoștințe într-o după-amiază.

Reversul acestei conveniențe este pierderea controlului asupra fiecărei verigi din lanț. Nu alegeți dimensiunea fragmentelor, astfel încât compromisul precizie/context din Lecția 12 scapă controlului dumneavoastră. Căutarea este pur semantică: fără căutare hibridă, astfel încât referințele la produse și codurile de eroare exacte rămân fragile. De asemenea, nu puteți integra Cohere sau un cross-encoder propriu pentru reordonare. Adăugați la acestea încă trei considerații strategice: stocarea vectorială este facturată suplimentar față de apelurile API, datele dumneavoastră rezidă pe serverele OpenAI, iar indexarea acoperă doar textul.

Un pipeline personalizat inversează această listă termen cu termen. Stăpâniți fragmentarea, încorporarea, căutarea, reordonarea și prompting-ul; combinați căutarea semantică cu cea lexicală; amestecați furnizorii de modele sau păstrați totul on-premise dacă datele dumneavoastră o cer; și, mai presus de toate, optimizați fiecare componentă independent măsurându-i efectul. Acest control are ca preț codul de scris și întreținut, o bază de date vectorială de administrat și expertiza necesară – fragmentarea, evaluarea și reordonarea nu se improvizează, ceea ce constituie chiar obiectul acestui curs.

Matricea decizională

CriteriuCăutare în fișiereRAG personalizat
Prototipare rapidă✅ Ideal⚠️ Mai lent
Controlul fragmentării❌✅
Căutare hibridă❌✅
Date sensibile⚠️ La OpenAI✅ On-premise
Cost la scară largă⚠️ Poate fi ridicat✅ Predictibil
Mentenanță✅ Zero⚠️ De gestionat
Performanță maximă⚠️ Bună✅ Optimizabilă

Arhitectură hibridă: Cele mai bune din ambele lumi

Alegera nu trebuie să fie definitivă și nici nu ar trebui să fie. Abordarea cea mai eficientă din punct de vedere al costurilor este să începeți cu Căutarea în fișiere pentru a valida dacă cazul dumneavoastră de utilizare este viabil, apoi să treceți la un pipeline personalizat în ziua în care atingeți o limită identificată. Encapsularea ambelor soluții în spatele unei singure metode respond face această tranziție nedureroasă pentru restul aplicației dumneavoastră.

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"]
            )

Când migrarea devine necesară, aceasta urmează o ordine precisă:

  1. Exportați fișierele din stocul vectorial
  2. Implementați fragmentarea adaptată conținutului dumneavoastră
  3. Generați încorporările cu text-embedding-3-large
  4. Indexați într-o bază de date vectorială (Qdrant, Pinecone etc.)
  5. Adăugați reordonarea și căutarea hibridă
  6. Evaluați cu setul dumneavoastră de date de test
  7. Comparați metricile cu Căutarea în fișiere înainte de comutare

Ultimul pas este cel mai adesea omis, iar el este singurul care justifică tot restul: fără o comparație cantitativă, este posibil să fi înlocuit un sistem gestionat decent cu unul propriu inferior, plus overhead-ul de mentenanță.

Puncte cheie

  • Căutarea în fișiere este ideală pentru prototiparea rapidă a unui sistem RAG fără infrastructură
  • Un pipeline RAG personalizat oferă control total și performanță optimizabilă
  • Începeți cu Căutarea în fișiere, migrați către o soluție personalizată când atingeți limitele
  • Criterii de decizie: control, date sensibile, cost, performanță