Jak připojit vlastní znalostní bázi do ChatGPT pomocí SDK?

Připojení znalostní báze vyžaduje: 1) Export dat do strukturovaného formátu (Markdown, JSON, PDF), 2) Ingestion do vector database (Azure AI Search, Pinecone, Supabase), 3) Vytvoření retrieval API endpointu s semantic search, 4) Registrace jako ChatGPT Action přes OpenAPI spec, 5) Konfigurace authentication (OAuth2 nebo API key). Celý proces trvá 2-4 dny pro základní integraci, 1-2 týdny pro production-ready řešení s caching a guardrails.

Jaký je rozdíl mezi ChatGPT Actions a Assistants API?

ChatGPT Actions umožňují uživatelům ChatGPT volat vaše API endpointy přes custom GPT - uživatel aktivuje konverzaci v ChatGPT UI. Assistants API je programatické rozhraní pro embedding conversational AI do vaší aplikace - vy řídíte UI a voláte OpenAI API z vašeho backendu. Actions jsou vhodné pro quick prototyping a interní tooling, Assistants API pro customer-facing aplikace s vlastním UX. Oba přístupy možou používat stejnou knowledge base.

Kolik stojí provoz ChatGPT Apps s vlastní knowledge base?

Náklady zahrnují: OpenAI API calls ($0.01-0.06 per 1K tokens podle modelu), vector database hosting (Azure AI Search €200-800/měsíc, Pinecone $70-400/měsíc podle throughput), compute pro retrieval API (Azure App Service €50-200/měsíc), embedding generation ($0.0001 per 1K tokens pro text-embedding-3-small). Pro 10K dotazů měsíčně počítejte s €300-600. Pro 100K+ dotazů může jít o €2,000-5,000 měsíčně. Optimalizujte caching a hybrid search pro snížení nákladů.

Jak zabezpečit ChatGPT Action před neautorizovaným přístupem?

Implementujte vrstvenou security: 1) OAuth2 authentication s Azure Entra ID (doporučeno pro enterprise), 2) API key rotation každých 90 dní, 3) Rate limiting (např. 100 requests/hour per user), 4) Input validation a PII detection před dotazem do knowledge base, 5) CORS policy povolující pouze ChatGPT origin, 6) Audit logs všech API calls do Azure Monitor. Pro citlivá data přidejte row-level security ve vector database a maskování PII v odpovědích.

Musím re-index celou knowledge base při každé aktualizaci?

Ne, implementujte incremental updates: 1) Sledujte modified timestamp u každého dokumentu, 2) Při změně vygenerujte nové embeddings pouze pro změněný obsah, 3) Aktualizujte příslušné záznamy v vector database pomocí upsert operace, 4) Pro Azure AI Search použijte indexer s change tracking, pro Pinecone použijte namespace-based versioning. Celý re-index dělejte pouze při změně embedding modelu nebo search algoritmu (cca 1× za 6-12 měsíců). Denní/týdenní aktualizace běží v řádu minut, ne hodin.

Průvodce implementací multi-agentních řešení

Propojení ChatGPT Apps SDK se znalostní základnou: best practices

Publikováno 9. října 2025 · Kategorie: Multi-agent orchestrace

Jak propojit ChatGPT Apps SDK s interní znalostní základnou, aniž by unikly citlivé informace. Sdílíme, jak používáme proxy vrstvu, versioning obsahu, governance a evaluace.

English summary

We explain how to connect ChatGPT Apps SDK to an enterprise knowledge base via secure proxies, versioned content, and governance guardrails. Includes deployment tips and evaluation loops.

1. Architektura: proxy jako bezpečnostní vrstva

Přímé volání z frontendu by odhalilo tajné klíče. Proto používáme serverless proxy (Netlify Functions, Azure Functions), která spravuje autenticitu, limity a logování. Proxy také injektuje systémové instrukce a compliance guardrails pro AI asistenty.

Kód proxy sdílíme v case study fintech orchestrace – principy jsou obdobné.

2. Versioning znalostní základny

Obsah knowledge base (JSON, Markdown) verzujeme v Git. Každá změna má recenzi, CI pipeline s automatizovanými testy generuje diff a spouští testy konzistence. Operace se propisují do Knowledge Change Logu dostupného týmu.

Když se změní obsah, spouštíme automatické evaluace – ověřujeme, že agent stále odpovídá korektně a že se nezměnila fakta.

3. Prompt engineering a metadata

ChatGPT Apps SDK umožňuje předat kontext v JSON. Přidáváme metadata (např. prioritu, jazyk, citlivost) a podle toho volíme guardrails. Prompt je modulární – systémová zpráva, role a fallback instrukce.

Doporučený pattern: system – identita agenta, instructions – styl a guardrails, context – data z knowledge base.

4. Evaluace a monitoring

Každý dotaz se loguje v Azure Monitoru, včetně zdroje dat a výsledku evaluace. Pro kritické use cases přidáváme lidský audit. Telemetrie se promítá do dashboardu, který sleduje odpovědi vs. fakta, incidenty, SLA.

Viz např. dashboard ROI agentů – pattern je identický.

5. Nasazení a governance

Nasazení probíhá přes CI/CD. Každá změna prochází QA prostředím s testovací knowledge base. Governance board pro enterprise AI dostává měsíční report: změny obsahu, incidenty, výsledky evaluací, plánované integrace.

Tento postup se osvědčil i při stavbě multi-agentních orchestrací, kde ChatGPT Apps SDK slouží jako frontend brána.

Doporučené navazující články

Multi-agentní orchestraci v Azure AI Foundry – jak ChatGPT Apps SDK zapadá do orchestrátoru.
Měření ROI agentů v retail bance – jak výsledky integrace promítnout do KPI dashboardů.
Bezpečnost a governance pro enterprise AI – jak nastavit dohled nad znalostní základnou a přístupem.

Rostislav Sikora

Přední AI Expert v České republice

5.0/5 (24 recenzí)

25+ let zkušeností v Azure AI Foundry, GDPR-compliant architektuře a enterprise AI orchestraci. Zakladatel Maloni s.r.o., specialista na AI řešení pro fintech a automatizaci s portfoliem MyZenCheck (10K+ uživatelů), Loan-Platform (150 zemí), Pleddu a Credizen.net.

Více o autorovi LinkedIn Kontakt