OpenAI Agents SDK #27：让 Agent 拥有私有知识库，FileSearchTool 一行代码搞定 (2026)

自己搭 RAG，绕不过这几步：选向量数据库、写 embedding 管线、实现检索逻辑、处理结果重排……光是跑通 hello world 就要大半天。

FileSearchTool 把这些全托管了。

你把文件上传到 OpenAI Vector Store，把 Store ID 传给工具，Agent 就能直接在你的私有文档里做语义检索——OpenAI 在服务器端处理分片、embedding、检索和重排，不需要你本地写一行向量逻辑。1

FileSearchTool 是什么

FileSearchTool 是 OpenAI Agents Python SDK 的托管工具（HostedTool），HostedTool 家族第二名成员，排在 WebSearchTool 之后。2

官方 docstring 说得很直白：

"A hosted tool that lets the LLM search through a vector store. Currently only supported with OpenAI models, using the Responses API."
「一个让 LLM 搜索向量存储的托管工具。目前仅支持 OpenAI 模型，使用 Responses API。」

三个核心约束：

运行在 OpenAI 服务器：检索执行全程在 OpenAI 基础设施内，开发者不需要实现任何本地检索逻辑
仅支持 OpenAIResponsesModel：不兼容 Chat Completions 后端，换模型时必须注意这一点
wire name 固定：工具名称在协议层是 "file_search"，SDK 层导入：from agents import FileSearchTool

5 个参数全景

FileSearchTool 是 dataclass，定义在 src/agents/tool.py，共 5 个字段：4

参数	类型	默认值	说明
`vector_store_ids`	`list[str]`	—（必填）	要搜索的 Vector Store ID 列表
`max_num_results`	`int \| None`	`None`	返回结果数上限；API 层限制 1-50，不设时由 API 决定（通常 10）
`include_search_results`	`bool`	`False`	是否在 LLM 输出中包含搜索结果的详细元数据
`ranking_options`	`RankingOptions \| None`	`None`	排序与相关性调优选项
`filters`	`Filters \| None`	`None`	基于文件属性的过滤条件

最简用法：

from agents import Agent, FileSearchTool

agent = Agent(
    name="knowledge_agent",
    instructions="用户问你问题时，请搜索知识库回答。",
    tools=[
        FileSearchTool(
            vector_store_ids=["vs_abc123"],
            max_num_results=5,
        )
    ],
)

include_search_results=True 是个调试利器——开启后 LLM 的输出里会附带检索命中的原始片段和分数，方便排查「为什么没搜到」或「为什么搜到了错的」。

RankingOptions 与 Filters 深潜

这两个参数的类型来自 openai SDK 包（openai.types.responses.file_search_tool_param）而非 agents SDK 本身——属于跨包类型引用，IDE 自动补全时要注意导入路径。5

RankingOptions

from openai.types.responses.file_search_tool_param import RankingOptions

ranking = RankingOptions(
    ranker="default-2024-11-15",   # 或 "auto"
    score_threshold=0.7,            # 0-1，越高越严格
    hybrid_search={
        "embedding_weight": 0.7,    # 语义匹配权重
        "text_weight": 0.3,         # 关键词匹配权重
    }
)

三个子字段说明：

ranker：排序器版本，两个合法值——"auto"（API 自动选最优）和 "default-2024-11-15"（固定版本，可复现）。注意这里不是 "default-2024-08-21"——SDK 源码确认是 "default-2024-11-15"。

score_threshold：相关性得分阈值，范围 0 到 1。调高可以剔除低质量命中，但会减少返回数量。官方建议：「如果你发现文件搜索结果相关性不足，可以调整 ranking_options 来提升响应质量」6——调高 score_threshold 是第一步。

hybrid_search：RRF（Reciprocal Rank Fusion，倒数排名融合）权重配置。embedding_weight 控制语义相似度的权重，text_weight 控制关键词重叠的权重。至少一个大于 0。文档类内容（关键词精确匹配重要）可以调高 text_weight；语义理解类问答偏向调高 embedding_weight。

Filters

Filters 是 ComparisonFilter 或 CompoundFilter 的 Union 类型：

from openai.types.responses.file_search_tool_param import ComparisonFilter, CompoundFilter

# 按属性过滤：只搜 region='us' 的文档
single_filter = ComparisonFilter(
    type="eq",
    key="region",
    value="us"
)

# 日期范围过滤：2024 年的文档
date_filter = CompoundFilter(
    type="and",
    filters=[
        ComparisonFilter(type="gte", key="created_at", value=20240101),
        ComparisonFilter(type="lte", key="created_at", value=20241231),
    ]
)

# 按文件名 in-list 过滤
filename_filter = ComparisonFilter(
    type="in",
    property="filename",
    value=["policy_v2.pdf", "handbook.pdf"]
)

ComparisonFilter 支持 8 种比较操作：eq、ne、gt、gte、lt、lte、in、nin。CompoundFilter 支持 and / or 嵌套，可以组合任意层级的过滤条件。

Vector Store 四步工作流

使用 FileSearchTool 前需要先准备好 Vector Store。完整流程四步：1

from openai import OpenAI

client = OpenAI()

# Step 1：上传文件到 Files API
with open("company_handbook.pdf", "rb") as f:
    uploaded_file = client.files.create(
        file=f,
        purpose="assistants"
    )

# Step 2：创建 Vector Store
vector_store = client.vector_stores.create(
    name="Company Knowledge Base"
)

# Step 3：将文件添加到 Vector Store（自动等待处理完成）
vs_file = client.vector_stores.files.create_and_poll(
    vector_store_id=vector_store.id,
    file_id=uploaded_file.id
)

# Step 4：检查状态
print(vs_file.status)  # completed 则可用

几个需要知道的细节：

处理状态机：文件进入 Vector Store 后经历 pending → processing → completed（或 error）。create_and_poll 会自动轮询等到 completed；如果不用 poll 版本，就需要手动 client.vector_stores.files.list(vector_store_id=...) 检查状态，status == "completed" 才能搜索。

支持格式：.pdf、.md、.txt、.docx、.html、.json、.py、.ts 等 19 种格式。text/* 类型文件编码须是 utf-8 / utf-16 / ascii。6

定价：所有 Vector Store 总计 ≤1GB 免费，超出 $0.10/GB/天。1

速率限制：每个 vector_store_id 300 请求/分钟，与文件批处理操作共享配额。批量上传大量文件时要控制并发。

绑定到 Agent 只需一行：

tools=[FileSearchTool(vector_store_ids=[vector_store.id])]

HostedTool 三兄弟怎么选

FileSearchTool 和 WebSearchTool、HostedMCPTool 同属 HostedTool 家族，三者均运行在 OpenAI 服务器端，均需要 OpenAIResponsesModel，但适用场景完全不同。2

	WebSearchTool	FileSearchTool	HostedMCPTool
数据来源	实时公开互联网	你的私有 Vector Store	远程 MCP 服务器
必填参数	无（全默认可用）	`vector_store_ids`	`tool_config`（含 server_url）
外部依赖	无	提前创建 Vector Store + 上传文件	外部 MCP 服务器在运行
延迟特性	网络往返 + 搜索引擎	OpenAI 基础设施内检索，低延迟	取决于 MCP 服务器位置
适合场景	最新信息、实时新闻、公开内容	企业知识库、产品文档、RAG	外部工具生态、结构化 API
高级功能	`search_context_size` 控制上下文量	`ranking_options` + `filters` 精准召回	`defer_loading` + `ToolSearchTool`

三者可以在同一个 Agent 里混用。官方文档示例里就有同时挂 WebSearchTool() 和 FileSearchTool(max_num_results=3, vector_store_ids=[...]) 的写法——互联网 + 私有文档两路信息源同时覆盖。

官方 research_bot 示例目前只用了 WebSearchTool，但 README 把「加入 FileSearchTool 支持」列为第一个建议改进项7：「Retrieval: Add support for fetching relevant information from a vector store. You could use the File Search tool for this.」——这意味着官方自己也认为 FileSearchTool 是 research_bot 的自然延伸。

中文社区现状：微信公众号生态对「文件搜索工具」的搜索结果几乎全部指向 Windows 桌面搜索工具，OpenAI Agents SDK 的 FileSearchTool 完全缺席。知乎有数篇文章涉及 FileSearchTool，但均为官方文档翻译，无独立教程、配置指南或实战案例。8 全中文网络目前处于原创真空状态，本期是中文首发深度解读。

3 条生产级建议

1. max_num_results 控制在 3-5，先跑质量测试再加

默认不设时 API 通常返回 10 条，全部塞进 context 会增加噪声，模型反而容易被低质量命中干扰。建议先从 max_num_results=3 起步：给 Agent 发几条真实问题，用 include_search_results=True 看命中内容，确认质量后再根据场景调大。内容密度高的场景（产品手册、合同文本）可以保持 3-5；需要广覆盖的场景（FAQ、知识库）可以到 8-10。

2. score_threshold 宁高勿低，用 include_search_results 诊断

低阈值（如 0.3）会让大量不相关片段进入 context，高阈值（如 0.8）则可能返回空。推荐做法：先用 include_search_results=True 拿到命中分数分布，找到你的「相关/不相关」分界线，再把 score_threshold 设在该分界线附近。分数分布集中在 0.6 以下说明文档切片质量有问题，需要重新处理文件（换 chunk 大小或清理噪声文档）而不是靠调阈值蒙混。

3. Vector Store 多个，按主题分库而不是一锅炖

vector_store_ids 接受列表，但不等于应该把所有文档塞进一个 Store。按主题分库有两个好处：一是可以对不同 Agent 配不同的知识库（客服 Agent 只能访问产品文档，内部 Agent 才能访问合同库）；二是可以在 filters 里按 vector_store_id 范围缩小搜索范围，在多 Store 场景下精准定位。一个实用分法：产品文档一库、操作手册一库、历史记录一库，用 CompoundFilter 的 and 组合文件属性做跨库检索。

下期预告：#28 进入 HostedMCPTool——HostedTool 家族第三名成员，让 Agent 直接调用远程 MCP 服务器上的工具，defer_loading + ToolSearchTool 组合怎么玩。

References

1
File search | OpenAI API
developers.openai.com
2
Tools - OpenAI Agents SDK
openai.github.io
3
Tools API Reference - OpenAI Agents SDK
openai.github.io
4
src/agents/tool.py - openai-agents-python
raw.githubusercontent.com
5
file_search_tool_param.py - openai-python
github.com
6
Retrieval | OpenAI API
developers.openai.com
7
research_bot README - openai-agents-python
github.com
8
tizi365.com - Tools（工具）OpenAI Agents SDK中文文档
tizi365.com

自己搭 RAG，绕不过这几步：选向量数据库、写 embedding 管线、实现检索逻辑、处理结果重排……光是跑通 hello world 就要大半天。

FileSearchTool 把这些全托管了。

FileSearchTool 是什么

FileSearchTool 是 OpenAI Agents Python SDK 的托管工具（HostedTool），HostedTool 家族第二名成员，排在 WebSearchTool 之后。2

官方 docstring 说得很直白：

"A hosted tool that lets the LLM search through a vector store. Currently only supported with OpenAI models, using the Responses API."
「一个让 LLM 搜索向量存储的托管工具。目前仅支持 OpenAI 模型，使用 Responses API。」

三个核心约束：

运行在 OpenAI 服务器：检索执行全程在 OpenAI 基础设施内，开发者不需要实现任何本地检索逻辑
仅支持 OpenAIResponsesModel：不兼容 Chat Completions 后端，换模型时必须注意这一点
wire name 固定：工具名称在协议层是 "file_search"，SDK 层导入：from agents import FileSearchTool

5 个参数全景

FileSearchTool 是 dataclass，定义在 src/agents/tool.py，共 5 个字段：4

参数	类型	默认值	说明
`vector_store_ids`	`list[str]`	—（必填）	要搜索的 Vector Store ID 列表
`max_num_results`	`int \| None`	`None`	返回结果数上限；API 层限制 1-50，不设时由 API 决定（通常 10）
`include_search_results`	`bool`	`False`	是否在 LLM 输出中包含搜索结果的详细元数据
`ranking_options`	`RankingOptions \| None`	`None`	排序与相关性调优选项
`filters`	`Filters \| None`	`None`	基于文件属性的过滤条件

最简用法：

from agents import Agent, FileSearchTool

agent = Agent(
    name="knowledge_agent",
    instructions="用户问你问题时，请搜索知识库回答。",
    tools=[
        FileSearchTool(
            vector_store_ids=["vs_abc123"],
            max_num_results=5,
        )
    ],
)

include_search_results=True 是个调试利器——开启后 LLM 的输出里会附带检索命中的原始片段和分数，方便排查「为什么没搜到」或「为什么搜到了错的」。

RankingOptions 与 Filters 深潜

RankingOptions

from openai.types.responses.file_search_tool_param import RankingOptions

ranking = RankingOptions(
    ranker="default-2024-11-15",   # 或 "auto"
    score_threshold=0.7,            # 0-1，越高越严格
    hybrid_search={
        "embedding_weight": 0.7,    # 语义匹配权重
        "text_weight": 0.3,         # 关键词匹配权重
    }
)

三个子字段说明：

Filters

Filters 是 ComparisonFilter 或 CompoundFilter 的 Union 类型：

from openai.types.responses.file_search_tool_param import ComparisonFilter, CompoundFilter

# 按属性过滤：只搜 region='us' 的文档
single_filter = ComparisonFilter(
    type="eq",
    key="region",
    value="us"
)

# 日期范围过滤：2024 年的文档
date_filter = CompoundFilter(
    type="and",
    filters=[
        ComparisonFilter(type="gte", key="created_at", value=20240101),
        ComparisonFilter(type="lte", key="created_at", value=20241231),
    ]
)

# 按文件名 in-list 过滤
filename_filter = ComparisonFilter(
    type="in",
    property="filename",
    value=["policy_v2.pdf", "handbook.pdf"]
)

ComparisonFilter 支持 8 种比较操作：eq、ne、gt、gte、lt、lte、in、nin。CompoundFilter 支持 and / or 嵌套，可以组合任意层级的过滤条件。

Vector Store 四步工作流

使用 FileSearchTool 前需要先准备好 Vector Store。完整流程四步：1

from openai import OpenAI

client = OpenAI()

# Step 1：上传文件到 Files API
with open("company_handbook.pdf", "rb") as f:
    uploaded_file = client.files.create(
        file=f,
        purpose="assistants"
    )

# Step 2：创建 Vector Store
vector_store = client.vector_stores.create(
    name="Company Knowledge Base"
)

# Step 3：将文件添加到 Vector Store（自动等待处理完成）
vs_file = client.vector_stores.files.create_and_poll(
    vector_store_id=vector_store.id,
    file_id=uploaded_file.id
)

# Step 4：检查状态
print(vs_file.status)  # completed 则可用

几个需要知道的细节：

支持格式：.pdf、.md、.txt、.docx、.html、.json、.py、.ts 等 19 种格式。text/* 类型文件编码须是 utf-8 / utf-16 / ascii。6

定价：所有 Vector Store 总计 ≤1GB 免费，超出 $0.10/GB/天。1

速率限制：每个 vector_store_id 300 请求/分钟，与文件批处理操作共享配额。批量上传大量文件时要控制并发。

绑定到 Agent 只需一行：

tools=[FileSearchTool(vector_store_ids=[vector_store.id])]

HostedTool 三兄弟怎么选

FileSearchTool 和 WebSearchTool、HostedMCPTool 同属 HostedTool 家族，三者均运行在 OpenAI 服务器端，均需要 OpenAIResponsesModel，但适用场景完全不同。2

	WebSearchTool	FileSearchTool	HostedMCPTool
数据来源	实时公开互联网	你的私有 Vector Store	远程 MCP 服务器
必填参数	无（全默认可用）	`vector_store_ids`	`tool_config`（含 server_url）
外部依赖	无	提前创建 Vector Store + 上传文件	外部 MCP 服务器在运行
延迟特性	网络往返 + 搜索引擎	OpenAI 基础设施内检索，低延迟	取决于 MCP 服务器位置
适合场景	最新信息、实时新闻、公开内容	企业知识库、产品文档、RAG	外部工具生态、结构化 API
高级功能	`search_context_size` 控制上下文量	`ranking_options` + `filters` 精准召回	`defer_loading` + `ToolSearchTool`

3 条生产级建议

1. max_num_results 控制在 3-5，先跑质量测试再加

2. score_threshold 宁高勿低，用 include_search_results 诊断

3. Vector Store 多个，按主题分库而不是一锅炖

下期预告：#28 进入 HostedMCPTool——HostedTool 家族第三名成员，让 Agent 直接调用远程 MCP 服务器上的工具，defer_loading + ToolSearchTool 组合怎么玩。

References

1
File search | OpenAI API
developers.openai.com
2
Tools - OpenAI Agents SDK
openai.github.io
3
Tools API Reference - OpenAI Agents SDK
openai.github.io
4
src/agents/tool.py - openai-agents-python
raw.githubusercontent.com
5
file_search_tool_param.py - openai-python
github.com
6
Retrieval | OpenAI API
developers.openai.com
7
research_bot README - openai-agents-python
github.com
8
tizi365.com - Tools（工具）OpenAI Agents SDK中文文档
tizi365.com

OpenAI Agents SDK #27：让 Agent 拥有私有知识库，FileSearchTool 一行代码搞定

FileSearchTool 是什么

5 个参数全景

RankingOptions 与 Filters 深潜

RankingOptions

Filters

Vector Store 四步工作流

HostedTool 三兄弟怎么选

3 条生产级建议

References

Related content

OpenAI Agents SDK #27：让 Agent 拥有私有知识库，FileSearchTool 一行代码搞定

FileSearchTool 是什么

5 个参数全景

RankingOptions 与 Filters 深潜

RankingOptions

Filters

Vector Store 四步工作流

HostedTool 三兄弟怎么选

3 条生产级建议

References

Related content