Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Tööriist document_library: KKK oma failide põhjal

Õppetund 11 / 18 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Mistrali sisseehitatud RAG
  2. Dokumenditeegi loomine
  3. Dokumentide üleslaadimine
  4. Agendi loomine koos dokumenditeegiga
  5. Dokumentide pärimine
  6. Teekide haldamine
  7. Sisemisest toest lepingute analüüsini
  8. Valmistage allikad ette, isoleerige teegid
  9. Peamised punktid

Tund uuendatud 3. novembril 2026, lähtudes mistralai SDK versioonist 3.7.0: teegi dokumente hallatakse käsuga client.beta.libraries.documents (upload, list, delete). Eelmise versiooni meetodid add_document, list_documents ja remove_document enam ei eksisteeri ning üleslaadimised suunatakse otse teeki. Allikas: client-python.

Mistrali sisseehitatud RAG

Tööriist document_library on Agents API-sse otse integreeritud taastõhustatud genereerimise (RAG) süsteem. Sinu agent pääseb ligi Mistrali pilve üles laaditud dokumentidele, toob välja asjakohased lõigud ja formuleerib vastuse koos viidetega. Erinevus ise ehitatud RAG-lahendusega on märkimisväärne: sul pole vaja majutada vektorandmebaasi, hallata manustamisprotsessi (embedding pipeline) ega häälestada tükkideks jagamise strateegiat. Laadid lihtsalt failid üles, deklareerid tööriista agendi loomisel ja lased mudelil otsustada, millal teeki päringuid teha.

Dokumenditeegi loomine

Teek on konteiner, mis hoiab sinu dokumente. Lood selle ühe API-kutsuga enne failide üleslaadimist.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Loo teek
library = client.beta.libraries.create(
    name="Tehniline dokumentatsioon",
    description="Tootemanualid ja tehnilised spetsifikatsioonid."
)

print(f"Teegi ID: {library.id}")

Pane tagastatud ID tähele: see on see, mida agendile edastad. Teegi nime kasutamine otsetena ei ole võimalik. Kui sinu meeskond haldab eraldi HR-i, juriidilisi ja tehnilisi teeke, salvesta need ID-d oma konfiguratsiooni samamoodi nagu ühendusstringe.

Dokumentide üleslaadimine

Üleslaadimine toimub kahes etapis: esmalt deponeeritakse fail failiruumi (Files space) koos selge purpose-ga, seejärel seotakse see teegiga.

# Laadi PDF otse teeki
with open("product-manual.pdf", "rb") as f:
    document = client.beta.libraries.documents.upload(
        library_id=library.id,
        file={"file_name": "product-manual.pdf", "content": f},
    )

print(f"Dokument {document.id}: {document.processing_status}")

Toetatud formaatide hulka kuuluvad PDF, lihttekst ja muud levinud dokumenditüübid.

Agendi loomine koos dokumenditeegiga

agent = client.beta.agents.create(
    model="mistral-medium-latest",
    name="Dokumentatsiooni agent",
    instructions="""Oled dokumentatsiooni assistent.
- Vasta ainult teegis olevate dokumentide põhjal
- Tsiteeri asjakohaseid lõike
- Kui informatsiooni dokumentidest ei leia, osuta sellele selgelt""",
    tools=[{
        "type": "document_library",
        "library_ids": [library.id]
    }]
)

Parameeter library_ids on loend: saad ühe agendiga seostada mitu teeki. Näiteks võib tugiteenuse assistent kasutada nii tooteteavet kui ka sisemisi protseduure. Siin on juhised enam kui vaid soovitavad. Ilma direktiivita piirata vastuseid dokumentidega, täidab mudel lünki oma üldteadmistega ja sa kaotad võime eristada, mis pärineb sinu failidest ja mis mujalt. Kolmas rida – eksplitsiitne märge puuduva info kohta – on see, mis muudab lobiseva agendi usaldusväärseks.

Dokumentide pärimine

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Kuidas töötab Pixtral 12B nägemiskodeerija?"
)

for entry in response.outputs:
    if entry.type == "message.output":
        for chunk in entry.content:
            if chunk.type == "text":
                print(chunk.text)
            elif chunk.type == "tool_reference":
                print(f"  [Allikas] {chunk.title}")

Nagu veebiotsingu puhul, saabub vastus kahte tüüpi tükkidena. text tükid sisaldavad kirjalikku vastust; tool_reference tükid sisaldavad päritoluandmeid, kus väli title hoiab lähtedokumendi nime ja väli url annab sisemise viite selle dokumendi sees. See eraldatus võimaldab kuvada vastust ja vahetult selle all dokumentide loetelu, mille põhjal see koostati.

See jälgitavus pole pelgalt dekoratiivne. Nõustaja, kes vastab kliendile sisemisele protseduurile tuginedes, peab suutma täpsustada, millist protseduuri ta tsiteerib; advokaat, kes toetub lepingule, peab suutma selle lepinguni tagasi jõuda. Ilma viideteta toodab RAG-süsteem kontrollimatuid väiteid.

Teekide haldamine

# Loetle teegid
libraries = client.beta.libraries.list()
for lib in libraries.data:
    print(f"{lib.name} ({lib.id})")

# Loetle dokumendid teegis
documents = client.beta.libraries.documents.list(library_id=library.id)
for doc in documents.data:
    print(f"{doc.name} — {doc.size} baiti")

# Kustuta dokument teegist
client.beta.libraries.documents.delete(
    library_id=library.id,
    document_id=document.id
)

# Kustuta teek
client.beta.libraries.delete(library_id=library.id)

Dokumentide eemaldamine on kõige sagedamini tähelepanuta jäetud toiming ja unustamisel kõige kulukam. Aegunud hinnakiri või protseduur jääb agendi poolt määramata ajaks tsiteeritavaks, kandes legitiimsuse välimust ainuüksi seetõttu, et see on allikastatud. Tee dokumendi eemaldamisest refleks iga kord, kui avaldad uue versiooni.

Sisemisest toest lepingute analüüsini

Sisemine tugi on kõige otsesem kasutusjuhtum: töötajad esitavad HR-i küsimusi loomulikus keeles, selle et ettevõttesiseses võrgus kaevata.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Sisemine tugi",
    instructions="Vasta töötajate küsimustele, kasutades HR-i dokumentatsiooni baasi.",
    tools=[{"type": "document_library", "library_ids": [rh_library.id]}]
)

Lepinguanalüüs nihutab paradigmat: agent ei lihtsalt ei too infot, vaid uurib seda. Siin kirjeldavad juhised ülesannet, mitte ainult ulatust.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Lepinguanalüütik",
    instructions="""Analüüsi üles laaditud lepinguid.
- Tuvasta olulised klauslid
- Märgista potentsiaalsed riskid
- Võrdle tööstusharu standarditega""",
    tools=[{"type": "document_library", "library_ids": [contrats_library.id]}]
)

Lõpuks illustreerib tooteteadmiste baas tööriistade kombinatsiooni: ametlik dokumentatsioon on esmatähtis ja veebiotsing täidab lünki, kui dokumendid küsimust ei kata.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Tooteekspert",
    instructions="Vasta tehnilistele küsimustele meie toodete kohta, tuginedes ametlikule dokumentatsioonile.",
    tools=[
        {"type": "document_library", "library_ids": [docs_library.id]},
        {"type": "web_search"}  # Varuvariant, kui dokumentatsioonist ei piisa
    ]
)

Valmistage allikad ette, isoleerige teegid

RAG-i kvaliteet määratakse kindlaks juba enne API kutsumist. Struktureeritud PDF selgete pealkirjade, alapealkirjade ja eraldatud lõikudega jaguneb tükkideks ja toob tulemusi palju paremini kui lamestatud skann või dokument, kus kogu loogika peitub paigutuses. Seejärel eralda oma teegid domeeniti, selle asemel et luua üks üldine salvestuskoht. Agent, mis on ühendatud ainult juriidilise teegiga, ei riski tsiteerida HR-i memoarit lepinguküsimusele vastamisel. Need kaks otsust – allika struktuuri lihvimine ja teekide isoleerimine – mõjutavad lõpptulemust rohkem kui ükski mudeli häälestus.

Peamised punktid

  • document_library on sisseehitatud RAG – oma vektoritaristu haldamine pole vajalik
  • Loo temaatilisi teeke ja laadi dokumente üles Files API kaudu
  • Vastused tsiteerivad asjakohaseid lõike kasutades tool_reference tükke
  • Saad seostada ühe agendiga mitu teeki
  • Kombineeri teiste tööriistadega terviklikkuse saavutamiseks