QnA na více dokumentech
Na této stránce
Aktualizováno 2. listopadu 2026 — OCR. Verze OCR 4.0 (
mistral-ocr-4-0) byla 30. září 2026 vyřazena z provozu. Používej OCR 4.1 (mistral-ocr-4-1), které je obecně dostupné od 31. srpna za stejnou cenu, nebo aliasmistral-ocr-latest, který na něj odkazuje od 16. července. OCR 4.1 přidává skóre důvěryhodnosti na úrovni bloků. Dodatek ze 3. listopadu 2026: Lokální PDF se přenáší v base64 jako{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typdocument_base64ze starších příkladů neexistuje ani v dokumentaci, ani v SDKmistralaia tyto příklady by selhaly. Zdroje: OCR Processor · Document QnA. Opraveno 3. listopadu 2026: Předchozí kód četlpage.document_annotationstránku po stránce; v SDKmistralaiverze 3.7.0 je anotace dokumentu jediným polem v odpovědi (response.document_annotation) a anotace obrázku se čte zimage.image_annotation.
Když se odpověď nachází ve více souborech
V mnoha profesionálních scénářích nenajdeš odpověď na otázku v jediném dokumentu. Možná budeš muset porovnat smlouvy, zkřížit faktury s objednávkami nebo analyzovat sérii reportů. Existují tři strategie a nejlepší přístup je vybrat podle objemu dat, místo abys hned skočil po té nejpokročilejší možnosti.
Odeslání všeho v jediném volání
Nejpřímější metodou je naskládat více bloků document_url do stejné zprávy. Model vidí obě smlouvy vedle sebe a může je skutečně porovnat, čehož zpracování stránka po stránce nedosáhne. Zde přepínáme na mistral-large-latest, protože porovnávání vyžaduje usuzování, nejen čtení.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": (
"Compare the payment terms "
"of these two contracts."
)
},
{
"type": "document_url",
"document_url": "https://example.com/contract-A.pdf"
},
{
"type": "document_url",
"document_url": "https://example.com/contract-B.pdf"
}
]
}
]
)
print(response.choices[0].message.content)
Omezení se projeví rychle: součet velikostí dokumentů nesmí překročit kontextové okno modelu. Dvě desetistránkové brožury projdou bez problémů; dvě rámcové smlouvy o dvou stech stranách už ne.
Oddělení extrakce od dotazování
U velkých objemů dat se doporučuje tyto dva kroky oddělit. Každý dokument provedeš přes OCR, uložíš výsledný Markdown a následně ručně sestavíš kontext, který odešleš do LLM. Výhodou je kontrola: ořez na 5 000 znaků viditelný v příkladu, ponechání názvu každého dokumentu jako nadpisu sekce a systémová zpráva, která stanoví roli právního asistenta. Ty sám rozhoduješ, co se dostane do kontextového okna, místo aby se to dělo automaticky.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def extract_text(url: str) -> str:
"""Extrahuje text z dokumentu pomocí OCR."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={"type": "document_url", "document_url": url}
)
return "\n\n".join(p.markdown for p in response.pages)
# Extrakce OCR pro každý dokument
documents = {
"Contract A": extract_text("https://example.com/contract-A.pdf"),
"Contract B": extract_text("https://example.com/contract-B.pdf"),
"Contract C": extract_text("https://example.com/contract-C.pdf"),
}
# Sestavení promptu s kontextem
context = "\n\n---\n\n".join(
f"## {name}\n\n{text[:5000]}" # Omezit, pokud je třeba
for name, text in documents.items()
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": (
"You are a legal assistant. Analyze the "
"provided documents and answer questions."
)
},
{
"role": "user",
"content": (
f"Here are the documents:\n\n{context}\n\n"
f"Question: Which contract offers the best "
f"early termination conditions?"
)
}
]
)
Přechod na Document RAG
Při počtu dokumentů přesahujícím několik desítek žádné kontextové okno stačit nebude. Musíš pak odeslat pouze relevantní pasáže, což vyžaduje rozdělení textů, jejich vektorizaci pomocí mistral-embed a vyhledávání podle podobnosti v době dotazu. Rozdělení (chunking) s překryvem 200 znaků zabraňuje tomu, aby věta rozdělená napůl ztratila mezi úseky svůj význam, a top_k určuje, kolik pasáží nakonec doprovodí otázku.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def create_embeddings(text: str) -> list[float]:
"""Vytváří vektory (embeddings) pro text."""
response = client.embeddings.create(
model="mistral-embed",
inputs=[text]
)
return response.data[0].embedding
def chunker(text: str, size: int = 1000, overlap: int = 200) -> list[str]:
"""Rozděluje text na úseky s překryvem."""
chunks = []
start = 0
while start < len(text):
end = start + size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap
return chunks
# Zjednodušený pipeline RAG
def index_document(name: str, text: str) -> list[dict]:
"""Indexuje dokument pro vyhledávání."""
chunks = chunker(text)
index = []
for i, chunk in enumerate(chunks):
embedding = create_embeddings(chunk)
index.append({
"document": name,
"chunk_id": i,
"text": chunk,
"embedding": embedding
})
return index
def search(query: str, index: list[dict], top_k: int = 5) -> list[dict]:
"""Vyhledává nejrelevantnější úseky."""
q_embedding = create_embeddings(query)
# Výpočet kosinové podobnosti
import numpy as np
scores = []
for item in index:
score = np.dot(q_embedding, item["embedding"])
scores.append((score, item))
scores.sort(key=lambda x: x[0], reverse=True)
return [item for _, item in scores[:top_k]]
Shrňme si logiku výběru. Odeslání více dokumentů v jediném volání zůstává nepřekonatelné svou jednoduchostí a funguje dobře pro dva či tři krátké dokumenty. Samostatné OCR následované QnA poskytuje flexibilitu a dává ti kontrolu nad tím, co je odesláno do LLM, za cenu trochu extra kódu. Document RAG je náročnější na nastavení, ale stává se nezbytným s růstem korpusu, protože je to jediný přístup, který škáluje.
Komplexní pracovní postup porovnávání
Obě techniky lze kombinovat: nic ti nebrání nejprve extrahovat strukturovaná data pomocí anotace a poté tato data předat LLM k analýze. U dávky faktur se každý dokument zredukuje na tři pole – dodavatel, částka, datum – než jediný požadavek požádá model o identifikaci trendů a anomálií. Náklady na tokeny se stanou zanedbatelnými a analýza se zaměří na čistě extrahovaná čísla místo textu interpretovaného za běhu.
import os
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class InvoiceSummary(BaseModel):
vendor: str = Field(..., description="Vendor name")
amount_inc_tax: float = Field(..., description="Amount including tax")
date: str = Field(..., description="Date (YYYY-MM-DD)")
def compare_invoices(paths: list[str]) -> str:
"""Porovnává více faktur a vrací analýzu."""
import base64
invoices = []
for path in paths:
with open(path, "rb") as f:
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
document_annotation_format=response_format_from_pydantic_model(
InvoiceSummary
)
)
if response.document_annotation:
invoice = InvoiceSummary.model_validate_json(
response.document_annotation
)
invoices.append(invoice)
# Srovnávací analýza pomocí LLM
summary = "\n".join(
f"- {f.vendor}: €{f.amount_inc_tax} ({f.date})"
for f in invoices
)
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": (
f"Here are {len(invoices)} invoices:\n{summary}\n\n"
f"Analyze trends and anomalies."
)
}
]
)
return response.choices[0].message.content
Klíčové poznatky
- Tři přístupy pro QnA na více dokumentech: inline, samostatné OCR, RAG
- Inline přístup funguje pro 2–3 krátké dokumenty
- Samostatné OCR + QnA nabízí větší kontrolu nad spotřebovanými tokeny
- RAG je nezbytný pro velké korpusy (desítky dokumentů)
- Kombinuj strukturované anotace s QnA pro přesné analýzy