Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Vyhľadávanie súborov: Indexovanie a dotazovanie dokumentov

Lekcia 7 z 20 Vývojár
Na tejto strane
  1. Vyhľadávanie súborov: Indexovanie a dotazovanie dokumentov
  2. Vytvorenie vektorového úložiska
  3. Nahrávanie a indexovanie súborov
  4. Dotazovanie s vyhľadávaním súborov
  5. Preskúmanie výsledkov vyhľadávania
  6. Konfigurácia vyhľadávania
  7. Správa životného cyklu vektorového úložiska
  8. Kompletný príklad: Asistent pre dokumentáciu
  9. Kľúčové poznatky

Vyhľadávanie súborov: Indexovanie a dotazovanie dokumentov

Vyhľadávanie súborov (File Search) umožňuje modelu prehľadávať tvoje súkromné dokumenty. Nahraješ súbory do vektorového úložiska a model ich automaticky prehľadá vždy, keď potrebuje konkrétne informácie. Toto je základ RAG (Retrieval-Augmented Generation) zabudovaný priamo do API OpenAI.

Vytvorenie vektorového úložiska

Vektorové úložisko je organizačnou jednotkou pre vyhľadávanie súborov a štruktúra, ktorú si tu zvolíš, ti zostane na dlhý čas. Jediné úložisko pre celú spoločnosť sa ľahko spravuje, ale mieša dokumenty s nesúvisiacou slovnou zásobou, čo znižuje relevantnosť výsledkov. Samostatné úložiská podľa tímu alebo domény si vyžadujú o niečo viac správy, ale robia každé vyhľadávanie výrazne presnejším. Ak si nie si istý, oddeľ ich: neskoršie zlúčenie je jednoduchšie než rozmotávanie chaosu.

from openai import OpenAI

client = OpenAI()

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

Nahrávanie a indexovanie súborov

Indexovanie je asynchrónne a toto je najčastejším zdrojom chýb pri prvom pokuse: pridáš súbory, okamžite sa opýtaš a model odpovie, že nič nenašiel – nie preto, že vyhľadávanie zlyhalo, ale pretože ešte nič nebolo zindexované. Pred dotazovaním vždy skontroluj stav, ako je uvedené v časti o životnom cykle.

Pár slov k formátom: zoznam je široký, ale nie všetky súbory sú rovnocenné. PDF vygenerované z textového procesora sa čistě extrahuje; naskenované PDF bez textovej vrstvy nepridá nič, keďže doslova neobsahuje žiadne slová na indexovanie.

import os

# Upload a single file
with open("user-guide.pdf", "rb") as f:
    file_obj = client.files.create(file=f, purpose="assistants")

# Attach to the vector store
client.vector_stores.files.create(
    vector_store_id=vector_store.id,
    file_id=file_obj.id
)

# Batch upload
folder = "./documentation/"
for filename in os.listdir(folder):
    path = os.path.join(folder, filename)
    if os.path.isfile(path):
        with open(path, "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"Indexed: {filename}")

Dotazovanie s vyhľadávaním súborov

Volanie je zámerne jednoduché: deklaruješ nástroj, položíš otázku a model sa rozhodne, či má vyhľadávať. Celá práca RAG – rozdelenie na časti (chunking), vektorizácia, hodnotenie a vloženie do kontextu – prebieha na serveri. To šetrí značný čas pri štarte a nasledujúca lekcia pokrýva nastavenia, ktoré potrebuješ poznať, keď predvolené hodnoty nestačia.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the refund procedure for premium clients?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

Model automaticky prehľadá tvoje dokumenty a sformuluje odpoveď na základe nájdeného obsahu.

Preskúmanie výsledkov vyhľadávania

Anotácie sú tým, čo odlišuje overiteľnú odpoveď od obyčajného tvrdenia. Sprístupni ich svojim používateľom: pri internej znalostnej báze schopnosť vystopovať späť k pôvodnému dokumentu úplne mení úroveň dôvery v systém – a pomáha ti odhaliť prípady, keď sa model minul cieľa.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What SLAs are guaranteed in the contract?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

# Iterate through annotations
for item in response.output:
    if item.type == "message":
        for block in item.content:
            if hasattr(block, "annotations"):
                for ann in block.annotations:
                    if ann.type == "file_citation":
                        print(f"File: {ann.file_id}")
                        print(f"Position: {ann.start_index}-{ann.end_index}")

Konfigurácia vyhľadávania

Počet výsledkov

Zvyšovanie počtu pasáží mechanicky nezlepšuje odpoveď. Nad desať alebo tak slabšie relevantné úryvky zriedia tie dobré a spotrebúvajú fakturovaný kontext. Túto hodnotu zvyšuj len vtedy, keď je odpoveď viditeľne neúplná, nie ako vec zásady.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="List all penalty clauses in the contract",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 20  # Default: 5, max: 50
    }]
)

Filtrovanie metadát

Metadáta sú najviac podceňovanou pákou pre presnosť. Filtrovanie podľa roku, oddelenia alebo typu dokumentu pred vektorovým vyhľadávaním eliminuje šum už na začiatku, ktorý by inak muselo odfiltrovať hodnotenie. Umožňuje ti to tiež odpovedať „podľa aktuálneho postupu“ namiesto miešania troch po sebe idúcich verzií toho istého dokumentu.

# Upload with metadata
with open("contract-2026.pdf", "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={
        "doc_type": "contract",
        "year": 2026,
        "client": "acme-corp"
    }
)

# Filtered search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the due date?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "filters": {
            "type": "eq",
            "key": "doc_type",
            "value": "contract"
        }
    }]
)

Zložené filtre

Kombinuj viacero kritérií pomocou logických operátorov:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Summarize contractual obligations for 2026",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "filters": {
            "type": "and",
            "filters": [
                {"type": "eq", "key": "doc_type", "value": "contract"},
                {"type": "gte", "key": "year", "value": 2026}
            ]
        }
    }]
)

Správa životného cyklu vektorového úložiska

Monitorovanie indexovania

# Check vector store status
vs = client.vector_stores.retrieve(vector_store.id)
print(f"Status: {vs.status}")
print(f"Files: {vs.file_counts.completed} indexed, "
      f"{vs.file_counts.in_progress} in progress, "
      f"{vs.file_counts.failed} failed")

Odstránenie zastaraných súborov

# List files in the vector store
files = client.vector_stores.files.list(vector_store.id)
for f in files.data:
    print(f"{f.id} - {f.status}")

# Detach a file
client.vector_stores.files.delete(
    vector_store_id=vector_store.id,
    file_id="file_abc123"
)

Kompletný príklad: Asistent pre dokumentáciu

def documentation_assistant(question: str, vs_id: str) -> dict:
    """Assistant that answers based on internal documentation."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        instructions=(
            "You are a documentation assistant. Answer solely based on the "
            "provided documents. If the information is not in the documents, "
            "state that clearly. Cite your sources."
        ),
        input=question,
        tools=[{
            "type": "file_search",
            "vector_store_ids": [vs_id],
            "max_num_results": 10
        }]
    )

    return {
        "answer": response.output_text,
        "model": response.model,
        "tokens": response.usage.total_tokens
    }

Kľúčové poznatky

  • Vytvor vektorové úložisko a nahraj svoje súbory, aby si povolil vyhľadávanie súborov
  • Model sa sám rozhoduje, kedy má vyhľadávať v dokumentoch
  • max_num_results riadi hĺbku vyhľadávania
  • Metadáta a filtre umožňujú cielené vyhľadávanie
  • Pred dotazovaním monitoruj stav indexovania