Ancorarea: Răspunsuri bazate pe fapte
Pe această pagină
Lecție actualizată la 3 noiembrie 2026 pe baza documentației OpenAI: parametrii
temperatureșitop_psunt acceptați doar cu un efort de raționament denone, în timp ce modelele GPT-5.6 raționează implicit (medium). Apelurile care setează acești parametri trebuie, prin urmare, să specificereasoning={"effort": "none"}(API-ul Responses) saureasoning_effort="none"(Chat Completions). Surse: Utilizarea GPT-6 · GPT-5.6 Terra.
Ancorarea: Răspunsuri bazate pe fapte
Ancorarea constrânge modelul să își bazeze răspunsurile exclusiv pe datele pe care le furnizați dumneavoastră, și nu pe cunoștințele sale interne. Aceasta este prima linie de apărare împotriva halucinațiilor și o cerință non-negociabilă imediat ce o aplicație iese din stadiul de prototip. Un asistent de suport care inventează o clauză contractuală nu face o greșeală simpatică: vă angajează legal compania față de clientul care a citit-o.
De ce este esențială ancorarea
LLM-urile generează text statistic probabil, care nu se aliniază neapărat cu textul corect din punct de vedere factual. Fără ancorare, un model poate fabrica citări, statistici sau referințe tehnice care sună perfect plauzibile: un număr de versiune care nu a existat niciodată, o perioadă de reflecție credibilă dar falsă, sau un nume de parametru inventat din senin. Nimic în formulare nu trădează fabricația, ceea ce face fenomenul periculos în producție. Cu cât răspunsul este mai bine scris, cu atât este mai puțin probabil ca utilizatorul să îl verifice, iar riscul legal și de reputație devine tot mai mare.
Tehnica 1: Context Explicit
Cea mai simplă metodă este și cea mai robustă: injectați textul sursă în prompt și interziceți modelului să meargă dincolo de el. Instrucțiunile dumneavoastră trebuie să includă trei elemente: o restricție la documentul furnizat, fraza exactă de rezervă de utilizat atunci când informația lipsește și o cerință de a cita pasajul folosit. Testați rezultatul pe un caz limită: o cerere de rambursare la 45 de zile trebuie să declanșeze regula de rambursare parțială de 50%, nu răspunsul complăcător pe care clientul speră să îl audă.
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
)
Tehnica 2: Citări Obligatorii
Nivelul următor necesită o referință pentru fiecare afirmație făcută. Acest lucru are un dublu efect. Răspunsul devine verificabil de către utilizator, care îl poate urmări înapoi la pasajul original în loc să vă creadă pe cuvânt. În plus, modelul se autocenzurează privind afirmațiile pe care nu le poate lega de nicio sursă, deoarece instrucțiunea îi spune explicit să le omită piuttosto decât să le livreze fără referință. Numerotarea documentelor în context, așa cum face funcția de mai jos, face, de asemenea, citările utilizabile în interfața dumneavoastră: „[Documentul 2]“ poate deveni un link clicabil către fișierul corect.
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
Tehnica 3: Verificare Post-Generare
Primele două tehnici reduc riscul fără a-l elimina vreodată complet. Pentru cazurile critice, adăugați o a doua trecere: un apel dedicat care descompune răspunsul în afirmații elementare și verifică fiecare dintre ele față de surse. Principiul este același ca în revizuirea codului—autorul își citește propria lucrare slab, în timp ce o pereche proaspătă de ochi o citește mult mai bine—și funcționează aici din același motiv, deoarece verificatorul nu a produs textul pe care îl examinează. Setarea temperaturii la 0.0 nu este un detaliu: un verificator trebuie să fie cât mai reproductibil posibil, altfel nu veți ști dacă un verdict schimbător provine de la răspuns sau de la „dispoziția“ modelului.
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}
Tehnica 4: Prompting Defensiv Anti-Halucinație
Anumite formulări reduc semnificativ halucinațiile și nu sunt interschimbabile: fiecare abordează un simptom distinct. Formularea explicită permite pur și simplu modelului să admită ignoranța, ceea ce este adesea suficient. Abordarea penalizantă ierarhizează erorile între ele, utilă atunci când vă confruntați cu un model care preferă spontan să spună orice plutôt decât nimic. Abordarea structurală scoate la iveală incertitudinea în chiar output-ul, valoroasă atunci când interfața dumneavoastră trebuie să distingă vizual ceea ce este cert de ceea ce este inferat. În final, abordarea prin constrângere delimitează sursa cu etichete, ceea ce funcționează deosebit de bine atunci când contextul injectat este voluminos, iar limita dintre document și instrucțiune riscă să se estompeze.
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."
}
Atunci când sunt utilizate corect, aceste formulări reduc halucinațiile cu 60 până la 80%. Totuși, trebuie să observați acest lucru în propriul mediu plutôt decât să vă bazați pe o medie: rata de ancorare se calculează prin rejucarea verificării pe un lot de răspunsuri și agregarea scorurilor obținute.
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
Combinarea cu instrumentele API
API-ul OpenAI oferă două instrumente native care vă scutesc de construirea propriului strat de recuperare. File Search caută prin documentele pe care le-ați încărcat și injectează automat extrasele relevante în context. Web Search ancorează răspunsurile în rezultate web recente, ceea ce ajută atunci când subiectul evoluează mai repede decât baza dumneavoastră de documente. În ambele cazuri, instrucțiunile de restricție rămân esențiale: instrumentul se ocupă de aducerea materialului, dar prompt-ul dumneavoastră—și doar prompt-ul dumneavoastră—interzice modelului să se abată de la acesta.
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"}]
)
Puneți acum întregul lanț la încercare pe un document intern al companiei—un FAQ, termeni și condiții, documentație tehnică, nu contează atâta timp cât este real. Construiți asistentul ancorat folosind contextul explicit, interogați-l cu zece întrebări dintre care trei acoperă în mod deliberat puncte absente din document și verificați dacă le refuză pe aceste trei plutôt decât să le înfrumusețeze. Apoi adăugați verificarea post-generare și măsurați rata dumneavoastră reală de ancorare: aceasta este cifra, nu încrederea pe care o acordați prompt-ului, care decide dacă asistentul este gata pentru producție.
Puncte cheie
- Ancorarea este esențială pentru orice aplicație profesională
- Injectați contextul sursă direct în prompt și impuneți citările
- Verificați ancorarea după generare pentru cazurile critice
- Formulările defensive reduc halucinațiile cu 60 până la 80%
- Utilizați temperature=0.0-0.1 pentru a maximiza fidelitatea față de surse