Korzystanie z narzędzia file_search

Ukończone

Wskazówka

Aby uzyskać więcej szczegółów, zobacz kartę Tekst i obrazy .

Narzędzie file_search umożliwia modelowi pobieranie odpowiednich informacji z własnych przekazanych dokumentów podczas odpowiedzi.

Co to jest narzędzie file_search?

Narzędzie file_search pomaga modelowi odpowiedzieć na pytania przy użyciu plików prywatnych lub specyficznych dla domeny, takich jak dokumenty zasad, podręczniki, kontrakty i wewnętrzne bazy wiedzy. Zamiast polegać tylko na ogólnych danych treningowych, model może przeszukiwać indeksowaną zawartość pliku i zwracać uziemione odpowiedzi.

Jest to szczególnie przydatne, gdy potrzebujesz dokładnych odpowiedzi z zaufanych dokumentów wewnętrznych.

Najważniejsze funkcje obejmują:

  • Odpowiedzi uziemione w dokumencie — odpowiedzi są oparte na przekazanych plikach
  • Pobieranie semantyczne — odnajduje odpowiednie fragmenty według znaczenia, a nie tylko dokładne dopasowania słów kluczowych
  • Integracja bazy danych wektorowej — wyszukiwanie w jednej lub kilku indeksowanych kolekcjach dokumentów
  • Cytaty i transparentność — zawierają dopasowane wyniki do debugowania i śledzenia
  • Lepsze znaczenie dla przedsiębiorstw — używanie wiedzy specyficznej dla organizacji w danych wyjściowych modelu

Typowe przypadki użycia

Przypadek użycia Przykład
Pytania i Odpowiedzi dotyczące zasad Odpowiadanie na pytania pracowników z plików PDF zasad kadr
Asystenci pomocy technicznej Uzyskaj kroki dotyczące produktu z wewnętrznych przewodników rozwiązywania problemów
Przegląd prawny Lokalizowanie określonych klauzul między dokumentami kontraktu
Odkrywanie wiedzy Podsumowanie odpowiedzi z zestawów dokumentacji technicznej

Prosty przykład

Oto przykład użycia interfejsu API OpenAI Responses z włączoną opcją file_search:

from openai import OpenAI

client = OpenAI(
    base_url={openai_endpoint},
    api_key={auth_key_or_token}
)

# Create vector store and upload a file
vector_store = client.vector_stores.create(name="policy-docs")
client.vector_stores.files.upload_and_poll(
    vector_store_id=vector_store.id,
    file=open("expenses_policy.pdf", "rb")
)

# Get response using the file_search tool
response = client.responses.create(
    model=model_deployment,
    instructions="You are an AI assistant that provides information from HR policy documents.",
    input="What's the maximum amount I can claim for a taxi ride?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }],
    include=["file_search_call.results"]
)
print(response.output_text)

W tym przepływie model przeszukuje indeksowany plik zasad i używa pobranych fragmentów do utworzenia uziemienia odpowiedzi.

Jak działa narzędzie file_search

Ogólny proces korzystania z narzędzia file_search to:

  1. Przygotowujesz pliki — przekazywanie dokumentów do magazynu wektorów.
  2. Wysyłasz żądanie — dołącz file_search do listy narzędzi z identyfikatorami magazynu wektorów.
  3. Model wykonuje pobieranie — wyszukuje indeksowane fragmenty odpowiedniej zawartości.
  4. Wyniki są wprowadzane — pasujące fragmenty są dostarczane do modelu.
  5. Odpowiedź jest generowana — model odpowiada, korzystając z pobranego kontekstu dokumentu.

Najlepsze rozwiązania

  • Używanie plików źródłowych wysokiej jakości — czyszczenie bieżących dokumentów poprawia dokładność pobierania
  • Pisz ukierunkowane polecenia — Stawiaj konkretne pytania, aby uniknąć niejednoznacznych dopasowań.
  • Starannie zarządzaj zakresem wektorów — oddzielaj domeny (HR, prawne, finanse), gdy jest to pomocne
  • Uwzględnij wyniki pobierania w rozwoju — użyj zawartości odpowiedzi do rozwiązywania problemów
  • Przejrzyj odpowiedzi dotyczące krytycznych przepływów pracy — zachowaj weryfikację przez człowieka w scenariuszach o wysokich stawkach

Ograniczenia, o których warto wiedzieć

  • Jakość odpowiedzi zależy od jakości dokumentu, pokrycia i istotności fragmentu
  • Bardzo duże lub sklepy z mieszanym asortymentem mogą zwracać mniej precyzyjny kontekst.
  • Zaktualizowane pliki źródłowe mogą wymagać ponownego indeksowania, zanim będzie można przeszukiwać nową zawartość
  • Przywoływanie poprawia ugruntowanie, jednak nie zastępuje przeglądu dokonywanego przez człowieka w przypadku podejmowania wrażliwych decyzji.

Przy odpowiednim użyciu, file_search zamienia model ogólnego przeznaczenia w asystenta z wiedzą domenową, który może odpowiadać na podstawie dokumentów rzeczywiście używanych przez twój zespół.

Uwaga / Notatka

Narzędzie file_search to doskonały sposób na oparcie modelu na określonym zestawie dokumentów lub plików danych. Jednak w przypadku agentów o skali przedsiębiorstwa, którzy muszą uzyskać dostęp do dużych ilości danych w wielu magazynach danych, należy rozważyć użycie rozwiązania Foundry IQ magazynu wiedzy z agentem Microsoft Foundry. Aby dowiedzieć się więcej, zobacz Build knowledge-enhanced AI agents with Foundry IQ (Tworzenie agentów sztucznej inteligencji z użyciem IQ usługi Foundry)