OpenAI API 文件檢索(File Search / Vector Stores)怎麼用:上載知識庫文檔、自動分塊向量化與引用返回

想讓 OpenAI Responses API 在幾十份私有文檔裏按需檢索回答?使用內置 file_search 工具搭配 Vector Stores 即可。本文按官方文檔整理上載入庫、自動分塊向量化、限制返回條數、提取文件引用與計費構成。

NNathaniel bigo··原創首發·AI 輔助撰寫
11 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 其他 帳號

結論先說

  1. File Search 是 Responses API 內置的託管檢索工具,配合向量庫(Vector Stores)使用,由 OpenAI 自動完成文檔解析、分塊、向量化(Embedding)以及語義加關鍵詞混合檢索。
  2. 接入只需四步:上載文件拿到 file_id、創建 vector_store 並掛載文件、等狀態變為 completed、在 responses.create 的 tools 裏加上 file_search 和 vector_store_ids。
  3. 支持返回精確引用與原始片段:模型回答正文裏的 annotations 會附帶 file_citation(來源文件 ID 與文件名);想在調試時拿到命中的原始文本塊,請求裏加 include=["file_search_call.results"]。
  4. 單文件上限 512 MB(最多 500 萬 token),預設按約 800 token 一塊、400 token 重疊自動切分,也支持自定義分塊大小與按元數據(Metadata)過濾文件。
  5. 計費分三塊:向量庫存儲費(官方提供前 1 GB 免費額度,超出按日按 GB 計費)、file_search 工具調用費,以及檢索出的文本塊送進上下文產生的常規輸入 token 費。
  6. 國內免境外卡開通入口:若沒有境外銀行卡或遇到支付被拒,可在本站通過支付寶、微信支付或 AlipayHK 自助獲取兌換碼開通 ChatGPT Plus 或 ChatGPT Pro,團隊多席位支持聯絡客服定製 ChatGPT Business 團隊版。

OpenAI File Search 四步接入流程

圖:本站根據 OpenAI 官方文檔:File search 整理的示意圖

本文根據 OpenAI 官方文檔《File search》與官方定價頁整理,資料核對於 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 OpenAI 官方網站。

適用於誰

  • 有多份產品手冊、規章制度或技術文檔,想在 OpenAI API 裏做知識庫問答(RAG)卻不想自己搭向量數據庫的開發者;
  • 用過單次文件輸入(見 /guides/openai-api-file-inputs-pdf),發現每次把整份大文件塞進請求既慢又費 token 的人;
  • 需要在前端展示回答具體引用了哪份文檔片段的人。

一、它和直接傳文件、自建向量庫有什麼區別

在決定要不要用 File Search 之前,先看清官方提供的三條路徑各自適合什麼情況:

三種給模型讀文檔的方式怎麼選

圖:本站根據 OpenAI 官方文檔:File search 與《File inputs》整理的示意圖

簡單判斷:只讓模型總結手頭一兩份 50 MB 以內的 PDF,直接用 input_file 最省事;有一批知識庫文檔要反覆跨文件查細節,用本文的 File Search 最快落地;如果公司數據必須留在自有 PostgreSQL 或本地庫裏,再自己調 /guides/openai-api-embeddings 建庫。

如果你並不打算自己寫代碼調 API,只是日常辦公想把幾份資料放進項目空間反覆提問,可以直接在 ChatGPT 網頁端的項目(Projects)裏傳文件使用;需要更高對話與文件額度時,可以在本站了解 ChatGPT Plus,注意網頁會員訂閱與本文講的開發者 API 帳單完全分開計算。

二、完整 Python 接入步驟(創建向量庫到發起檢索)

前提是已經在平台拿到密鑰並配好環境變量 OPENAI_API_KEY(未配置的可先看 /guides/openai-api-key)。

1. 上載文檔並創建向量庫

先把本地文檔傳到 Files API(用於檢索工具時,purpose 填 assistants),再創建向量庫並把文件掛進去。官方 SDK 提供了帶輪詢的輔助方法,不用自己手寫循環等索引完成:

python
from openai import OpenAI

client = OpenAI()

# 1. 創建向量庫(Vector Store)
vector_store = client.vector_stores.create(name="產品售後知識庫")

# 2. 上載文檔並掛入向量庫,等待解析與分塊完成
with open("return_policy.pdf", "rb") as f:
    file_batch = client.vector_stores.file_batches.upload_and_poll(
        vector_store_id=vector_store.id,
        files=[f],
    )

print("批次狀態:", file_batch.status)
print("文件統計:", file_batch.file_counts)

只有當狀態變成 completed 後,新傳的文檔才能被搜到。官方支持 PDF、DOCX、TXT、Markdown、JSON 及多種常見代碼文件,單文件最大 512 MB、上限 500 萬 token。

2. 在 Responses API 裏啟用 file_search

把剛拿到的 vector_store.id 放進 tools 列表即可(Responses API 的基礎結構見 /guides/openai-responses-api):

python
response = client.responses.create(
    model="gpt-4o",  # 請替換為官方模型頁當前推薦的型號
    input="拆封後的配件支持幾天內退換?有什麼限制條件?",
    tools=[
        {
            "type": "file_search",
            "vector_store_ids": [vector_store.id],
            "max_num_results": 5,
        }
    ],
    include=["file_search_call.results"],
)

print(response.output_text)

模型會自動判斷當前問題需不需要查庫:需要時先生成檢索詞去向量庫拉取片段,再結合片段生成回答。

本站訂閱與團隊開通提示:如果你在國內遇到銀行卡被拒或急需提升對話與推理配額,可前往本站 ChatGPT Plus 充值說明頁 或 ChatGPT Pro 5x/20x 充值頁 自助獲取卡密完成開通(全程無需交出帳號密碼,可開增值稅發票);企業多成員協作可直接查看 ChatGPT Business 團隊定製方案。

三、怎麼讀取來源引用(Annotations)與原始片段

返回結果裏的 response.output 通常包含兩類關鍵項:

  1. file_search_call:記錄這次工具調用的 ID、狀態;如果請求時加了 include=["file_search_call.results"],這裏還會列出命中的原始文本塊、得分和所屬文件名,排查“為什麼答偏了”全靠看這一項。
  2. message(模型回答):在正文內容塊的 annotations 數組裏,每處引用的類型都是 file_citation,包含 file_id、filename 和字符位置索引。前端可以據此渲染“參考來源:《xxx.pdf》”。

四、控制成本與精度的三個常用參數

  • 限制召回塊數(max_num_results):檢索出來的每一塊文本都會塞進模型上下文按輸入 token 計費。把 max_num_results 調小(例如設為 4 到 8)能明顯降低延遲和單次 token 開銷,但設得太小可能漏掉跨段落資訊。
  • 元數據過濾(filters):給向量庫裏的文件打上鍵值對屬性(如 category: "billing" 或年份),提問時在 file_search 工具裏傳 filters 條件,只搜指定範圍的文檔,減少無關干擾。
  • 設定過期清理(expires_after):如果是給臨時會話建的向量庫,創建時設好閒置自動過期天數,防止廢棄庫一直佔着容量產生按日存儲費。各檔位具體單價請核對 /guides/openai-api-price-official-table。

常見問題

問:文檔剛傳上去就提問,為什麼模型說找不到相關內容?

大PDF解析、切塊和算向量需要時間。文件還在 in_progress 狀態時搜不到,務必用 upload_and_poll 或先查 vector_stores.files 確認狀態已是 completed,若變成 failed 需檢查文件是否加密損壞或超出 500 萬 token 上限。

問:掃描版純圖片 PDF 能用 File Search 檢索嗎?

File Search 依賴從文件裏提取出的文本建索引;純掃描件若沒有內嵌文字層,提取出的文本為空就無法檢索。這類帶大量版面圖像的少頁數 PDF,改用 input_file 走視覺解析更合適。

問:刪除向量庫(Vector Store)會把原始上載的文件一起刪掉嗎?

不會。向量庫只是索引容器,刪掉向量庫只會停止繼續計收該庫的向量存儲費,Files API 裏的原始文件仍保留在後台,需要徹底清理時另調 client.files.delete。

問:國內沒有境外信用卡,怎麼開通或續費 ChatGPT Plus / Pro?

答:可在本站使用支付寶、微信支付或 AlipayHK 下單獲取卡密自助兌換(支持 ChatGPT Plus、Pro 5x 可覆蓋檔 與 Pro 5x 空白號檔),實時價格、兌換前提與售後規則(掉訂閱按剩餘天數折退,封號不在質保範圍)以對應頁面說明為準。

相關教學

參考資料

  • OpenAI 官方文檔:File search — https://developers.openai.com/api/docs/guides/tools-file-search
  • OpenAI 官方定價頁 — https://developers.openai.com/api/docs/pricing

Nathaniel 的更多內容

  1. 01

    獨立開發者用 ChatGPT + Codex 跑通產品全流程:市場驗證、PRD、原型到代碼上線覆盤清單

    單人做獨立產品最容易陷入「閉門寫兩個月代碼上線零用戶」或「AI 寫到一半目錄越改越崩」。本文整理「ChatGPT 負責市場驗證、PRD 與覆盤 + Codex 負責工程實現與測試」的五階段雙軌流程,附起手提示詞與 7 項上線覆盤清單。

    ChatGPTCodex0
  2. 02

    用 ChatGPT 批量生成規範文件命名規則、整理混亂目錄樹與合併零散發票抬頭清單腳本

    面對滿桌面的「新建文件夾」「最終版2」和上百張零散電子發票,手工改名抄台帳耗時又容易漏重。本文分享先脫敏取樣、再用 ChatGPT 生成帶預演和回滾日誌的本地 Python 腳本,離線安全完成目錄整理與發票抬頭合併去重的實戰流程。

    ChatGPT0
  3. 03

    用 ChatGPT 做海外電郵營銷(EDM)受眾分層文案、A/B 主題行測試與防進垃圾箱自檢

    做海外獨立站或出海 SaaS 電郵營銷(EDM),最怕千人一面群發被直接送進垃圾箱。本文結合 Gmail/Yahoo 批量發件人規範,梳理用 ChatGPT 設計受眾分層文案、批量生成 A/B 主題行矩陣並開展發前垃圾詞與合規自檢的實戰提示詞。

    ChatGPT0
  4. 04

    用 ChatGPT 寫 Notion Formula 2.0 公式、Obsidian Dataview 查詢與 Airtable 自動化腳本

    給 Notion 數據庫寫多條件 Formula 2.0 公式、給 Obsidian 寫 Dataview 動態看板,或在 Airtable 裏寫自動化腳本,經常因為一個小括號或類型不匹配報錯半天。本文整理三大工具的通用上下文喂料規範與三套直接可複製的生成提示詞。

    ChatGPT其他 AI 工具0
  5. 05

    用 ChatGPT 處理複雜 JSON / YAML / XML 字段映射、格式轉換與校驗規則編寫實戰

    對接第三方 API、遷移 Kubernetes 配置或解析政企 XML 報文時,手工對照幾百行嵌套字段既慢又容易漏掉空值與類型邊界。本文整理用 ChatGPT 完成字段映射表梳理、生成確定性轉換腳本以及編寫 JSON Schema / Pydantic / XSD 校驗規則的實戰流。

    ChatGPT其他 AI 工具0
  6. 06

    用 ChatGPT 準備本科/碩士畢業論文答辯:提煉答辯 PPT 結構、模擬導師犀利追問與 3 分鐘自述稿

    畢業論文寫完後,要在 3–5 分鐘內講清研究價值並頂住答辯評委的連環追問並不輕鬆。本文整理在嚴格遵守高校學術規範的前提下,用 ChatGPT 提煉答辯 PPT 結構、打磨 3 分鐘口語自述稿並開展模擬導師犀利追問的排練流程與提示詞。

    ChatGPT0

同產品的其他教學

  1. 01

    用 ChatGPT 整理家庭裝修預算明細、隱蔽工程驗收清單與主材優缺點對比表實戰

    第一次裝修面對幾十頁施工報價單、密密麻麻的水電防水隱蔽項目與五花八門的主材參數,極易踩坑增項。本文梳理用 ChatGPT 審查裝修報價漏項、生成帶公式的預算明細表、定製工地隱蔽工程驗收單與主材對比表的實戰提示詞。

    ChatGPT0
  2. 02

    用 ChatGPT 做費曼學習法讀書共讀:反向追問檢驗自己是否真讀懂專業書籍與整理書單筆記

    讀完一本專業硬書常感覺「合上書就忘」,直接讓 AI 概括全書又容易產生懂了的錯覺。本文介紹用 ChatGPT 結合 Study Mode 與費曼學習法做反向追問共讀,通過通俗複述、挑刺盲區到沉澱書單卡片的完整流程與提示詞。

    ChatGPT0
  3. 03

    用 ChatGPT 做外貿產品多語種目錄、展會邀約與客戶跟進節奏表(附脫敏與本地化提示詞)

    做外貿展會與海外推廣時,手工翻譯十幾款產品目錄費時且容易留下一堆中式英文,展後客戶跟進也常缺節奏。本文梳理用 ChatGPT 先脫敏建術語庫、再批量產出多語種目錄、展前邀約函與展後 21 天跟進節奏表的實戰流程與提示詞。

    ChatGPT0
  4. 04

    用 ChatGPT 寫高質素技術專欄文章、開源項目 Release Notes 與版本更新日誌實戰

    讓 AI 直接憑空寫技術文章容易滿篇空洞套話,直接甩 Git 記錄寫更新日誌又常常漏掉破壞性變更。本文整理用 ChatGPT 結合真實代碼片段、壓測數據與 PR 摘要,高效產出深度技術專欄、GitHub Release Notes 與 CHANGELOG 的實戰工作流。

    ChatGPT0
  5. 05

    用 ChatGPT 做產品用戶訪談紀要編碼、提煉高頻痛點需求池與 RICE 優先級打分實戰

    手頭攢了十幾份用戶訪談逐字稿,手工貼便利貼歸納痛點耗時又容易帶入主觀偏見。本文分享用 ChatGPT 完成脫敏檢查、逐份開放式編碼、跨樣本聚類高頻痛點並搭建 RICE 優先級打分表的 5 步實戰流,附可直接複製的三段核心提示詞。

    ChatGPT0
  6. 06

    ChatGPT 網頁版上載超過 10 個文件或回形針附件按鈕變灰怎麼辦:打包合併與配額限制排查

    在 ChatGPT 網頁版批量分析文檔時,常遇到一次選超 10 個文件被攔截或輸入框回形針按鈕變灰。本文依據 OpenAI 文件上載與存儲說明,梳理 6 類常見報錯的分流排查法,提供 ZIP 打包、本地合併與 Projects 複用方案及可直接複製的解包提示詞。

    ChatGPT0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~