Το API Document QnA
Σε αυτήν τη σελίδα
Μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026. Προσθήκη 3 Νοεμβρίου 2026: Για να στείλετε ένα τοπικό αρχείο PDF, μεταδώστε το ως base64 στη μορφή
{"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Ο τύποςdocument_base64που βρίσκεται σε παλαιότερα παραδείγματα δεν υπάρχει ούτε στην τεκμηρίωση ούτε στο SDKmistralai, και εκείνα τα παραδείγματα θα απέτυγχαν. Πηγές: OCR Processor · Document QnA.
Αναζητήστε στα έγγραφά σας με φυσική γλώσσα
Το Document QnA συνδυάζει το OCR με ένα LLM της Mistral, επιτρέποντάς σας να κάνετε ερωτήσεις απευθείας για το περιεχόμενο των εγγράφων σας. Αντί να σαρώσετε πενήντα σελίδες για να βρείτε μια συγκεκριμένη ρήτρα ή έναν αριθμό, απλώς κάνετε την ερώτηση και διαβάζετε την απάντηση. Εσωτερικά, η υπηρεσία εκτελεί δύο βήματα: το OCR εξάγει το κείμενο, τη δομή και τη μορφοποίηση, και στη συνέχεια ένα μοντέλο συνομιλίας (chat model) της Mistral αναλύει το εξαγόμενο περιεχόμενο για να δημιουργήσει μια απάντηση. Αυτός ο συνδυασμός είναι διαφανής για εσάς—μια μόνο κλήση API χειρίζεται τα πάντα.
Ένα διαφορετικό endpoint από το OCR
Αυτό είναι το σημείο που συχνά μπερδεύει τους χρήστες στην πρώτη προσπάθεια. Το καθαρό OCR χρησιμοποιεί το client.ocr.process, ενώ το QnA χρησιμοποιεί το τυπικό endpoint Συνομιλίας client.chat.complete, με ένα μήνυμα που περιέχει τόσο ένα μπλοκ κειμένου όσο και ένα μπλοκ document_url. Με άλλα λόγια, το έγγραφο γίνεται ένα συνημμένο στην ερώτησή σας, ακριβώς όπως μια εικόνα σε μια πολυτροπική ανταλλαγή.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Ερώτηση για ένα δημόσιο έγγραφο
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "What is the total revenue mentioned?"
},
{
"type": "document_url",
"document_url": "https://example.com/annual-report.pdf"
}
]
}
]
)
print(response.choices[0].message.content)
Τρεις τρόποι αποστολής του εγγράφου
Ένα δημόσιο URL είναι ο πιο άμεσος δρόμος, ιδανικός για έγγραφα που είναι ήδη προσβάσιμα διαδικτυακές—όπως μια επιστημονική δημοσίευση, μια θεσμική αναφορά ή ένα PDF φιλοξενούμενο στον ιστότοπό σας.
messages = [
{
"role": "user",
"content": [
{"type": "text", "text": "Summarize the main points."},
{
"type": "document_url",
"document_url": "https://arxiv.org/pdf/1805.04770"
}
]
}
]
response = client.chat.complete(
model="mistral-small-latest",
messages=messages
)
Τα τοπικά αρχεία, από την άλλη πλευρά, στέλνονται ως base64. Αυτός είναι ο προεπιλεγμένος τρόπος όποτε ένα έγγραφο είναι εμπιστευτικό ή αποθηκευμένο πίσω από το τείχος προστασίας σας· τίποτα δεν χρειάζεται να δημοσιευτεί στον ιστό για να αναζητηθεί.
import base64
with open("contract.pdf", "rb") as f:
doc_base64 = base64.b64encode(f.read()).decode("utf-8")
messages = [
{
"role": "user",
"content": [
{
"type": "text",
"text": "What are the termination clauses?"
},
{
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_base64}"
}
]
}
]
response = client.chat.complete(
model="mistral-small-latest",
messages=messages
)
Τέλος, υπάρχει η τρίτη επιλογή για αρχεία που έχουν ήδη μεταφορτωθεί μέσω του Files API: κάνετε μεταφόρτωση μία φορά με purpose="ocr" και στη συνέχεια αναφέρεστε στο προκύπτον ID όσες φορές χρειαστεί. Για ένα έγγραφο που σκοπεύετε να αναζητήσετε πολλές φορές, αυτό αποφεύγει την εκ νέου μεταφόρτωση πολλών megabytes με κάθε ερώτηση.
uploaded = client.files.upload(
file=open("report.pdf", "rb"),
purpose="ocr"
)
messages = [
{
"role": "user",
"content": [
{"type": "text", "text": "What is the planned budget?"},
{"type": "file_id", "file_id": uploaded.id}
]
}
]
response = client.chat.complete(
model="mistral-small-latest",
messages=messages
)
Ποιο μοντέλο συνομιλίας για ποια ερώτηση
Η παράμετρος model εξαρτάται από εσάς και επηρεάζει τόσο την ποιότητα της απάντησης όσο και το κόστος.
| Μοντέλο | Προφίλ | Πότε να το επιλέξετε |
|---|---|---|
mistral-small-latest | Γρήγορο και οικονομικό | Επαρκές για τις περισσότερες ερωτήσεις |
mistral-medium-latest | Καλός συμβιβασμός | Ισορροπημένη ταχύτητα και ακρίβεια |
mistral-large-latest | Πιο ακριβές | Σύνθετη ανάλυση και συλλογιστική |
Η επιλογή σας εξαρτάται από την πολυπλοκότητα των ερωτήσεών σας και τον προϋπολογισμό σας: η εξαγωγή ενός ποσού από ένα τιμολόγιο δεν απαιτεί το ίδιο μοντέλο με τη σύγκριση καθεστώτων ευθύνης μεταξύ δύο συμβάσεων.
Αλυσιδωτές ερωτήσεις
Δεν χρειάζεται να κάνετε τα πάντα με τη μία. Στέλνετε το έγγραφο στο πρώτο μήνυμα, προσθέτετε την απάντηση του μοντέλου στο ιστορικό και στη συνέχεια κάνετε την ερώτηση παρακολούθησης μόνο ως κείμενο: το πλαίσιο του εγγράφου παραμένει στη συνομιλία. Αυτός είναι ο φυσικός τρόπος για να εξερευνήσετε μια αναφορά—ξεκινήστε με μια περίληψη και στη συνέχεια εμβαθύνετε στο σημείο που σας ενδιαφέρει.
history = [
{
"role": "user",
"content": [
{"type": "text", "text": "Summarize this document in 3 points."},
{
"type": "document_url",
"document_url": "https://example.com/report.pdf"
}
]
}
]
# Πρώτη κλήση
response = client.chat.complete(
model="mistral-small-latest",
messages=history
)
# Προσθήκη απάντησης στο ιστορικό
history.append({
"role": "assistant",
"content": response.choices[0].message.content
})
# Ερώτηση παρακολούθησης
history.append({
"role": "user",
"content": "Detail the second point."
})
response = client.chat.complete(
model="mistral-small-latest",
messages=history
)
print(response.choices[0].message.content)
Τι δεν θα κάνει το QnA για εσάς
Τέσσερις περιορισμοί αξίζει να γνωρίζετε πριν χτίσετε μια υπηρεσία πάνω σε αυτό. Πρώτον, το μέγεθος: 50 MB ανά αρχείο και μέγιστο 1.000 σελίδες, κάτι που αποκλείει μεγάλα αρχεία χωρίς προηγούμενο διαχωρισμό. Δεύτερον, το κόστος, καθώς τα μεγάλα έγγραφα καταναλώνουν πολλά tokens εισόδου με κάθε ερώτηση. Τρίτον, η έλλειψη επίμονης μνήμης σημαίνει ότι πρέπει να ανακατασκευάσετε εσείς το ιστορικό· κάθε κλήση είναι ανεξάρτητη εκτός από μια συνομιλία πολλαπλών γύρων. Το πιο δύσκολο σημείο είναι το τελευταίο: το LLM ερμηνεύει όσο και εξάγει, γεγονός που μπορεί να εισάγει σφάλματα σε ακριβείς αριθμούς. Για ένα ποσό που θα περάσει στη λογιστική, προτιμήστε τη δομημένη σημείωση· κρατήστε το QnA για κατανόηση και σύνθεση.
Βασικά σημεία
- Το Document QnA χρησιμοποιεί το endpoint Chat με περιεχόμενο
document_url: είτε ένα δημόσιο URL είτε ένα PDF κωδικοποιημένο σε base64 ως data URL - Η εσωτερική ροή εργασίας είναι OCR και μετά LLM, αλλά απαιτείται μόνο μία κλήση
- Τρεις μέθοδοι αποστολής: URL, base64, μεταφορτωμένο αρχείο
- Οι συνομιλίες πολλαπλών γύρων επιτρέπουν την εις βάθος ανάλυση
- Επιλέξτε το μοντέλο συνομιλίας σας με βάση την πολυπλοκότητα των ερωτήσεών σας