Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Vyhľadávanie súborov vs. vlastný RAG: Kedy použiť čo

Lekcia 16 z 22 Aktualizované 29. júla 2026 Vývojár
Na tejto strane
  1. Ciele
  2. File Search: Spravovaný RAG od OpenAI
  3. Čo ti File Search dáva a čo ti berie
  4. Rozhodovacia matica
  5. Hybridná architektúra: To najlepšie z oboch svetov
  6. Zhrnutie

Ciele

  • Porozumieť spravovanému RAG od OpenAI (File Search)
  • Porovnať File Search s vlastným pipeline RAG
  • Vybrať správny prístup pre tvoj prípad použitia

File Search: Spravovaný RAG od OpenAI

Práve si postavil každú vrstvu pipeline RAG, lekciu po lekcii. File Search robí všetko toto za teba. Je to nástroj zabudovaný priamo do API OpenAI Responses, ktorý automaticky vybavuje chunking, vytváranie vektorových reprezentácií (embedding), ukladanie vektorov a vyhľadávanie: nahraješ svoje súbory a kladieš otázky. Táto lekcia nie je odmietnutím toho, čo bolo predtým, ale úprimnou otázkou, ktorú si musíš položiť pred napísaním akéhokoľvek kódu: aká je správna úroveň abstrakcie pre tvoj projekt?

Všetko začína úložiskom vektorov (vector store), kontajnerom, ktorý hostí tvoje indexované dokumenty. Vytvoríš ho, nahráš doň súbory jeden po druhom a potom čakáš na dokončenie indexovania predtým, než začneš klásť otázky. Toto čakanie nie je len formálnosť: indexovanie je asynchrónne a dopyt spustený príliš skoro uvidí iba časť korpusu.

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")

Samotné dopytovanie si vyžiada len jedno volanie: deklaruješ nástroj file_search s ID úložiska a model sa sám rozhodne, kedy má vyhľadať informácie. Zaujímavá časť nastáva pri čítaní anotácií, ktoré obsahujú citácie súborov. To ti umožňuje zobraziť používateľovi zdroje – správanie, ktoré si musel vo vlastnom pipeline implementovať manuálne.

# 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}")

Dve nastavenia ti umožňujú doladiť správanie bez opustenia spravovaného nástroja. max_num_results nastavuje počet získaných chunkov a score_threshold filtruje výsledky s nízkym skóre, presne ako prah relevance, ktorý si aplikoval po prehodnotení (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
        }
    }]
)

Čo ti File Search dáva a čo ti berie

Rozhodujúcim argumentom pre File Search je úplná absencia infraštruktúry: žiadna vektorová databáza, ktorú treba nasadzovať, zálohovať alebo monitorovať. Chunking je vykonaný za teba a optimalizovaný spoločnosťou OpenAI, aktualizácia korpusu je taká jednoduchá ako pridanie alebo odstránenie súboru, citácie sa generujú automaticky a bežné formáty sú podporované natívne – PDF, DOCX, MD, TXT, HTML, JSON a ďalšie. Tím bez expertízy na infraštruktúru dokáže spustiť znalostnú databázu v priebehu jedného popoludnia.

Odvrátenou stranou tohto pohodlia je strata kontroly nad každým článkom reťaze. Nevyberáš si veľkosť chunku, takže kompromis medzi presnosťou a kontextom z Lekcie 12 je mimo tvojej kontroly. Vyhľadávanie je čisto sémantické: žiadne hybridné vyhľadávanie, takže odkazy na produkty a presné chybové kódy zostávajú krehké. Nemôžeš ani pripojiť Cohere alebo vlastný cross-encoder na prehodnotenie (reranking). Pridaj k tomu tri ďalšie strategické úvahy: ukladanie vektorov sa fakturuje navyše k volaniam API, tvoje dáta sídlia na serveroch OpenAI a indexovanie pokrýva iba text.

Vlastný pipeline tento zoznam obracia termín za termínom. Máš pod kontrolou chunking, embeddingy, vyhľadávanie, prehodnotenie a promptovanie; kombinuješ sémantické a lexikálne vyhľadávanie; miešaš poskytovateľov modelov, alebo udržuješ všetko on-premise, ak to tvoje dáta vyžadujú; a predovšetkým optimalizuješ každú komponentu nezávisle meraním jej účinku. Táto kontrola má svoju cenu: kód, ktorý treba napísať a udržiavať, vektorovú databázu, ktorú treba administrovať, a expertízu – chunking, evaluácia a prehodnotenie nie sú vecou improvizácie, čo je presne to, čo pokrýva tento kurz.

Rozhodovacia matica

KritériumFile SearchVlastný RAG
Rýchle prototypovanie✅ Ideálne⚠️ Pomalšie
Kontrola chunkingu❌✅
Hybridné vyhľadávanie❌✅
Citlivé dáta⚠️ Na OpenAI✅ On-premise
Náklady vo veľkom meradle⚠️ Môžu byť vysoké✅ Predvídateľné
Údržba✅ Žiadna⚠️ Na riadenie
Maximálny výkon⚠️ Dobrý✅ Optimalizovateľný

Hybridná architektúra: To najlepšie z oboch svetov

Voľba nemusí byť definitívna a ani by nemala byť. Najnákladovo efektívnejší prístup je začať s File Search na overenie, že tvoj prípad použitia dáva zmysel, a potom prejsť na vlastný pipeline v deň, keď narazíš na identifikovaný limit. Zapuzdrenie oboch prístupov za jedinú metódu respond robí tento prechod bezbolestným pre zvyšok tvojej aplikácie.

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"]
            )

Keď sa migrácia stane nevyhnutnou, postupuj v presnom poradí:

  1. Exportuj svoje súbory z úložiska vektorov
  2. Implementuj chunking prispôsobený tvojmu obsahu
  3. Vygeneruj embeddingy pomocou text-embedding-3-large
  4. Indexuj vo vektorovej databáze (Qdrant, Pinecone atď.)
  5. Pridaj prehodnotenie (reranking) a hybridné vyhľadávanie
  6. Vyhodnoť pomocou svojej testovacej množiny dát
  7. Porovnajte metriky s File Search pred prepnutím

Posledný krok je ten, ktorý sa najčastejšie vynecháva, a je jediným, ktorý ospravedlňuje všetky ostatné: bez kvantitatívneho porovnania môžeš nahradiť slušný spravovaný systém horším vlastným riešením, plus si pridať réžiu údržby.

Zhrnutie

  • File Search je ideálny na rýchle prototypovanie systému RAG bez infraštruktúry
  • Vlastný pipeline RAG ponúka totálnu kontrolu a optimalizovateľný výkon
  • Začni s File Search, prejdite na vlastné riešenie, keď narazíš na limity
  • Rozhodovacie kritériá: kontrola, citlivé dáta, náklady, výkon