前言

前一篇研究了 web search 之後，因為後續想實做的 AI 小專案會用到上傳檔案功能，因此也來研究 file search 這個工具，在這一篇我主要會介紹：

• 從專案目的性初步釐清區分 file search 工具使用方式
• 簡單介紹如何讓檔案內容搜尋更精準

File Search

是模型工具之一，顧名思義能解讀使用者上傳的檔案內容，基本的語法如下：

import OpenAI from "openai";
const openai = new OpenAI();

const response = await openai.responses.create({
    model: "gpt-4.1",
    input: "What is deep research by OpenAI?",
    tools: [
        {
            type: "file_search",
        },
    ],
});
console.log(response);

等等，先釐清使用情境

研究了 file search 的文件後，自己會用以下情境幫助讀者快速釐清是否需要更細讀文件內容

你是否需要基於上傳檔案內容製作檢索功能（RAG）？或是僅需要單次解讀這份檔案

如果你的功能情境是屬於前者，那恭喜，你很適合認真研究 retrieval 這個功能，並往下閱讀內容，反之可以跳過本篇文章。

認識 retrieval

最簡單來說 retrieval 是優化檔案搜尋的方法，先用語意搜尋從你的向量庫取回最相關片段，再把這些片段餵給模型生成更準確、可溯源的答案。

圖片來源：https://platform.openai.com/docs/guides/retrieval

那從背後解析，首先工具會自動解析與切塊 上傳檔案、建立嵌入並存到向量庫，當使用者後續進行提問時，會以向量＋關鍵字混合檢索取得相關片段，然後生成回答，這樣做法的好處是：

• 更節省 token
• 低延遲回覆
• 更好的回覆品質

建立向量庫

透過官方提供方法建立

import OpenAI from "openai";
const client = new OpenAI();

const vector_store = await client.vectorStores.create({   
	//向量庫名稱
    name: "Support FAQ",
});

認識語意化搜尋

什麼是語意化搜尋？ 同樣以官方提供的範例，假設你今天輸入的查詢字是：

"When did we go to the moon?"

比較 關鍵字相似度 及 語意相似度 對內容的偵測方式，舉例來說：

當掃描到檔案內容是："moon cake"

關鍵字相似度：因為這句含有 moon，因此關鍵字相似度 40%，但其實這和登月無關。
語意相似度：用嵌入模型（例：text-embedding-3-small）把句子轉成向量，再用餘弦相似度量測語意距離。（提供 By GPT）

那在使用上，官方也有提供方法

const results = await client.vectorStores.search({
	// 向量庫識別碼
    vector_store_id: vector_store.id,
    // 語意化參數
    query: "How many woodchucks are allowed per passenger?",
});

學會基本的向量庫的建立及語意搜尋的方法後，更新查詢流程為：

• 建立向量庫（可選）
• 將檔案內容上傳到向量庫（可選）
• 透過語意查詢向量庫內容
• 回傳給使用者

小結

研究了之後，初步知道了 如何查詢檔案比較省 token 並兼顧精確性，但應該要帶入更多前端的視角，畢竟我本質是前端工程師，下一篇反省！轉往 token 節省工具去！

那麼，明天見
-- to be continued --

參考

File Uploads FAQ
File search