Sökning i filer: Indexera och fråga dokument
På denna sida
Sökning i filer: Indexera och fråga dokument
Med sökning i filer kan modellen genomsöka dina privata dokument. Du laddar upp filer till ett vektorlager, och modellen frågar dem automatiskt när den behöver specifik information. Detta är grunden för RAG (Retrieval-Augmented Generation) som är inbyggd direkt i OpenAI API.
Skapa ett vektorlager
Vektorlagret är den organisatoriska enheten för sökning i filer, och den struktur du väljer här kommer att följa med dig under lång tid. Ett enda lager för hela företaget är lätt att administrera men blandar dokument med orelaterade ordförråd, vilket försämrar relevansen. Att separera lager efter team eller domän kräver lite mer hantering men gör varje sökning betydligt mer precis. Vid tveksamhet: separera dem. Det är lättare att slå ihop lager senare än att reda ut ett kaos.
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}")
Ladda upp och indexera filer
Indexering sker asynkront, och detta är den vanligaste felkällan vid första försöket: du lägger till filer, frågar omedelbart, och modellen säger att den inte hittade något – inte för att sökningen misslyckades, utan för att inget har indexerats än. Kontrollera alltid statusen innan du ställer frågor, vilket visas i avsnittet om livscykeln.
En notering om format: listan är bred, men alla filer är inte lika värdefulla. En PDF genererad från ett ordbehandlingsprogram extraheras rent; en skannad PDF utan textlager tillför ingenting, eftersom det bokstavligen inte finns några ord att indexera.
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}")
Fråga med sökning i filer
Anropet är avsiktligt enkelt: du deklarerar verktyget, ställer din fråga, och modellen avgör om den behöver söka. Allt RAG-arbete – chunking, vektorisering, rangordning och injicering i kontexten – sker på servern. Detta sparar avsevärd tid vid start, och nästa lektion täcker de inställningar du behöver känna till när standardvärdena inte räcker till.
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)
Modellen söker automatiskt i dina dokument och formulerar ett svar baserat på det innehåll den hittar.
Granska sökresultat
Annotationer är det som skiljer ett verifierbart svar från ett blott påstående. Exponera dem för dina användare: i en intern kunskapsbas ändrar möjligheten att spåra tillbaka till originaldokumentet helt förtroendenivån för systemet – och hjälper dig att upptäcka fall där modellen missade målet.
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}")
Konfigurera sökningen
Antal resultat
Att öka antalet passager förbättrar inte mekaniskt svaret. Utöver ungefär tio utspäder svagt relevanta utdrag de bra och konsumerar debiterad kontext. Höj detta värde endast när svaret synbart är ofullständigt, inte som en principfråga.
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
}]
)
Filtrering med metadata
Metadata är den mest underutnyttjade hävstången för precision. Att filtrera efter år, avdelning eller dokumenttyp innan vektorsökningen eliminerar brus i förväg som rangordningen annars hade behövt sålla bort. Detta låter dig också svara på frågor som “enligt gällande rutin” istället för att blanda tre successiva versioner av samma dokument.
# 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"
}
}]
)
Sammansatta filter
Kombinera flera kriterier med logiska operatorer:
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}
]
}
}]
)
Hantera livscykeln för vektorlager
Övervaka indexering
# 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")
Ta bort föråldrade filer
# 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"
)
Komplett exempel: Dokumentationsassistent
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
}
Viktiga punkter
- Skapa ett vektorlager och ladda upp dina filer för att aktivera sökning i filer
- Modellen avgör själv när den ska söka i dokument
max_num_resultsstyr sökdybden- Metadata och filter möjliggör målinriktad sökning
- Övervaka indexeringsstatusen innan du ställer frågor