Связаться с намиПодключиться

Создать агента с поиском по заранее созданным чанкам

Статья создана
Обновлена 4 декабря 2025 г.

При работе с Vector Store вы можете загружать в поисковый индекс не только целые файлы, но и предварительно подготовленные фрагменты информации в формате JSONL. Такой подход предоставляет вам полный контроль над структурой данных и позволяет повысить точность поиска и генеративных ответов, исключив возможные потери смысла при автоматической фрагментации документов.

Перед началом работы

Чтобы воспользоваться примером:

  1. Создайте сервисный аккаунт и назначьте ему роли ai.assistants.editor и ai.languageModels.user.

  2. Получите и сохраните API-ключ сервисного аккаунта с заданной областью действия yc.ai.foundationModels.execute.

    Примечание

    Если вы используете ОС Windows, рекомендуем предварительно установить оболочку WSL и выполнять дальнейшие действия в этой оболочке.

  3. Установите Python версии 3.10 или выше.

  4. Установите библиотеку Python venv для создания изолированных виртуальных окружений в Python.

  5. Создайте и войдите в новое виртуальное окружение Python:

    python3 -m venv new-env
source new-env/bin/activate

  6. Установите библиотеку OpenAI для Python:

    pip install openai

Разбейте информацию на фрагменты

Разбейте на подходящие фрагменты информацию, которую вы хотите загрузить в поисковый индекс. Получившиеся фрагменты сохраните в формате JSON Lines в виде пар "body":"<содержимое_фрагмента>". Например:

{ "body": "Как восстановить пароль? Перейдите на страницу восстановления и введите email." }
{ "body": "Можно ли работать офлайн? Да, приложение поддерживает офлайн-режим." }

Сохраните получившиеся фрагменты текста в файл chunks.jsonl

Загрузите файл в Vector Store

Прежде чем создавать поисковый индекс, загрузите в Vector Store полученный файл в формате JSON Lines:

  1. Создайте файл upload.py и добавьте в него следующий код:

    import pathlib
import openai
from openai import OpenAI

YANDEX_API_KEY = "<API-ключ>"
YANDEX_FOLDER_ID = "<идентификатор_каталога>"
filename = "chunks.jsonl"


# Локальный файл для индексации
def local_path(path: str) -> pathlib.Path:
    return pathlib.Path(__file__).parent / path


def main():
    client = OpenAI(
        api_key=YANDEX_API_KEY,
        base_url="https://rest-assistant.api.cloud.yandex.net/v1",
        project=YANDEX_FOLDER_ID,
    )

    print("Загружаем файл...")

    with open(local_path(filename), "rb") as file:
        f = client.files.create(
            file=(filename, file, "application/jsonlines"),
            purpose="assistants",
            expires_after=openai.types.file_create_params.ExpiresAfter(
                anchor="created_at", seconds=3600
            ),
            extra_body={"format": "chunks"},
        )

    print(f"Файл {filename} загружен:", f.id)


if __name__ == "__main__":
    main()

    Где:

    • YANDEX_API_KEY — полученный перед началом работы API-ключ сервисного аккаунта.
    • YANDEX_FOLDER_ID — идентификатор каталога, в котором выполняются операции с Vector Store API.

  2. Выполните созданный файл:

    python3 upload.py

    Результат:

    Загружаем файл...
Файл chunks.jsonl загружен: fvtnmsqdn2pq********

    Сохраните полученный идентификатор загруженного файла — он понадобится при создании поискового индекса.

Создайте поисковый индекс Vector Store

Создайте поисковый индекс из загруженного на предыдущем шаге файла:

  1. Создайте файл index.py и добавьте в него следующий код:

    import time
from openai import OpenAI

YANDEX_API_KEY = "<API-ключ>"
YANDEX_FOLDER_ID = "<идентификатор_каталога>"
input_file_ids = ["<идентификатор_файла>"]


def main():
    client = OpenAI(
        api_key=YANDEX_API_KEY,
        base_url="https://rest-assistant.api.cloud.yandex.net/v1",
        project=YANDEX_FOLDER_ID,
    )

    # Создаем поисковый индекс с несколькими файлами
    print("Создаем поисковый индекс...")
    vector_store = client.vector_stores.create(
        # Говорящее название индекса
        name="База знаний поддержки",
        # Ваши метки для файлов
        metadata={"key": "value"},
        # Время жизни индекса
        # last_active_at - после последней активности
        expires_after={"anchor": "last_active_at", "days": 1},
        # или created_at - после создания
        # expires_after={"anchor": "created_at", "days": 1},
        file_ids=input_file_ids,  # <- список файлов
    )
    vector_store_id = vector_store.id
    print("Vector store создан:", vector_store_id)

    # Ждем готовности поискового индекса
    while True:
        vector_store = client.vector_stores.retrieve(vector_store_id)
        print("Статус vector store:", vector_store.status)
        if vector_store.status == "completed":
            break
        time.sleep(2)

    print("Vector store готов к работе.")


if __name__ == "__main__":
    main()

    Где input_file_ids — список идентификаторов загруженных файлов-источников. В приведенном примере в массив добавляется полученный на предыдущем шаге идентификатор единственного файла-источника.

  2. Выполните созданный файл:

    python3 index.py

    Результат:

    Создаем поисковый индекс...
Vector store создан: fvtol0geat8g********
Статус vector store: in_progress
Статус vector store: in_progress
Статус vector store: in_progress
Статус vector store: in_progress
Статус vector store: in_progress
Статус vector store: completed
Vector store готов к работе.

    Сохраните полученный идентификатор созданного индекса — он понадобится при выполнении поискового запроса.

Создайте AI-агента с поиском по индексу

Чтобы AI-агент мог использовать созданный индекс, передайте идентификатор индекса в параметре tools метода client.responses.create():

  1. Создайте файл query.py и добавьте в него следующий код:

    import openai
import json

YANDEX_API_KEY = "<API-ключ>"
YANDEX_FOLDER_ID = "<идентификатор_каталога>"
VECTOR_STORE_ID = "<идентификатор_поискового_индекса>"
QUERY_TEXT = "Как восстановить пароль?"
YANDEX_CLOUD_MODEL = "yandexgpt"


client = openai.OpenAI(
    api_key=YANDEX_API_KEY,
    base_url="https://rest-assistant.api.cloud.yandex.net/v1",
    project=YANDEX_FOLDER_ID,
)

response = client.responses.create(
    model=f"gpt://{YANDEX_FOLDER_ID}/{YANDEX_CLOUD_MODEL}",
    instructions="Ты — умный ассистент. Если спрашивают о работе с приложением — ищи в подключенном индексе",
    tools=[{"type": "file_search", "vector_store_ids": [VECTOR_STORE_ID]}],
    input=QUERY_TEXT,
)

# Ответ для пользователя
print("Текст ответа:")
print(response.output_text)
print("\n" + "=" * 50 + "\n")

# Полный ответ
print("Полный ответ (JSON):")
print(json.dumps(response.model_dump(), indent=2, ensure_ascii=False))

    Где VECTOR_STORE_ID — идентификатор поискового индекса Vector Store, полученный на предыдущем шаге.

  2. Выполните созданный файл:

    python3 query.py

    Результат:

    Пример короткого ответа
    Текст ответа:
Перейдите на страницу восстановления и введите email.
    Пример полного ответа
    Полный ответ (JSON):
{
  "id": "d70f114f-77c3-427b-b3cd-b70c********",
  "created_at": 1764746460.0,
  "error": null,
  "incomplete_details": null,
  "instructions": "Ты — умный ассистент. Если спрашивают о работе с приложением — ищи в подключенном индексе",
  "metadata": null,
  "model": "gpt://b1gt6g8ht345********/yandexgpt",
  "object": "response",
  "output": [
    {
      "id": "f170da63-5f61-4f9b-a4ba-49d4********",
      "queries": [
        "Как восстановить пароль?"
      ],
      "status": "completed",
      "type": "file_search_call",
      "results": [
        {
          "attributes": {},
          "file_id": "fvtq3f79gjc7********",
          "filename": "chunks.jsonl",
          "score": 0.9034204,
          "text": "Как восстановить пароль? Перейдите на страницу восстановления и введите email.",
          "valid": true
        },
        {
          "attributes": {},
          "file_id": "fvtq3f79gjc7********",
          "filename": "chunks.jsonl",
          "score": 0.29538444,
          "text": "Можно ли работать офлайн? Да, приложение поддерживает офлайн-режим.",
          "valid": true
        }
      ],
      "valid": true
    },
    {
      "id": "40d3b1e3-ffe6-4c8f-b332-ed71********",
      "content": [
        {
          "annotations": [
            {
              "file_id": "fvtq3f79gjc7********",
              "filename": "chunks.jsonl",
              "index": 0,
              "type": "file_citation",
              "valid": true
            },
            {
              "file_id": "fvtq3f79gjc7********",
              "filename": "chunks.jsonl",
              "index": 0,
              "type": "file_citation",
              "valid": true
            }
          ],
          "text": "Перейдите на страницу восстановления и введите email.",
          "type": "output_text",
          "logprobs": null,
          "valid": true
        }
      ],
      "role": "assistant",
      "status": "completed",
      "type": "message",
      "valid": true
    }
  ],
  "parallel_tool_calls": true,
  "temperature": null,
  "tool_choice": "auto",
  "tools": [
    {
      "type": "file_search",
      "vector_store_ids": [
        "fvtneupef1s8********"
      ],
      "filters": null,
      "max_num_results": null,
      "ranking_options": null,
      "valid": true
    }
  ],
  "top_p": null,
  "background": false,
  "conversation": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "previous_response_id": null,
  "prompt": null,
  "prompt_cache_key": null,
  "prompt_cache_retention": null,
  "reasoning": null,
  "safety_identifier": null,
  "service_tier": null,
  "status": "completed",
  "text": null,
  "top_logprobs": null,
  "truncation": null,
  "usage": {
    "input_tokens": 232,
    "input_tokens_details": {
      "cached_tokens": 0,
      "valid": true
    },
    "output_tokens": 8,
    "output_tokens_details": {
      "reasoning_tokens": 0,
      "valid": true
    },
    "total_tokens": 240,
    "valid": true
  },
  "user": "",
  "valid": true
}

См. также

Предыдущая
Создать текстового агента с поиском по файлам
Следующая
Работа с поисковым индексом Vector Store