Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Document QnA -API

Oppitunti 13 / 16 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Kysy dokumenteiltasi luonnollisella kielellä
  2. Eri päätepiste kuin OCR:ssä
  3. Kolme tapaa lähettää dokumentti
  4. Mikä keskustelumalli mihinkin kysymykseen
  5. Kysymysten ketjuttaminen
  6. Mitä QnA ei tee puolestasi
  7. Keskeiset asiat

Oppitunti päivitetty 3. marraskuuta 2026. Lisäys 3. marraskuuta 2026: Lähetä paikallinen PDF-tiedosto base64-muodossa käyttäen rakennetta {"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Vanhemmissa esimerkeissä esiintyvää document_base64-tyyppiä ei ole olemassa dokumentaatiossa eikä mistralai-SDK:ssa, ja kyseiset esimerkit olisivat epäonnistuneet. Lähteet: OCR Processor · Document QnA.

Kysy dokumenteiltasi luonnollisella kielellä

Document QnA yhdistää OCR:n ja Mistralin kielimallin (LLM), jolloin voit esittää kysymyksiä suoraan dokumentin sisällöstä. Sen sijaan, että selaisit viittäkymmentä sivua löytääksesi tietyn lausekkeen tai luvun, esität yksinkertaisesti kysymyksen ja luet vastauksen. Sisäisesti palvelu suorittaa kaksi vaihetta: OCR poimii tekstin, rakenteen ja muotoilun, minkä jälkeen Mistral-keskustelumalli analysoi poimitun sisällön ja tuottaa vastauksen. Tämä yhdistelmä on sinulle läpinäkyvä – yksi API-kutsu hoitaa kaiken.

Eri päätepiste kuin OCR:ssä

Tämä on kohta, jossa monet kompastuvat ensimmäisellä kerralla. Puhdas OCR käyttää metodia client.ocr.process, kun taas QnA käyttää vakiomaista Chat-päätepistettä client.chat.complete viestillä, joka sisältää sekä tekstilohkon että document_url-lohkon. Toisin sanoen dokumentti toimii liitteenä kysymyksellesi aivan kuten kuva multimodaalisessa vuorovaikutuksessa.

import os
from mistralai.client import Mistral

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

# Kysymys julkisesta dokumentista
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)

Kolme tapaa lähettää dokumentti

Julkinen URL-osoite on suoraviivaisin reitti, joka sopii erinomaisesti verkossa jo saatavilla oleville dokumenteille, kuten tieteellisille julkaisuille, laitosten raporteille tai verkkosivuillasi isännöidyille PDF-tiedostoille.

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
)

Paikalliset tiedostot lähetetään sen sijaan base64-koodattuina. Tämä on oletustapa aina, kun dokumentti on luottamuksellinen tai tallennettu palomuurin taakse; mitään ei tarvitse julkaista verkkoon, jotta sitä voisi kysellä.

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
)

Lopuksi on olemassa kolmas vaihtoehto tiedostoille, jotka on jo ladattu Files API:n kautta: lataat tiedoston kerran parametrilla purpose="ocr" ja viittaat sen jälkeen syntyvään tunnisteeseen niin monta kertaa kuin tarvitaan. Jos aiot kysellä samaa dokumenttia useita kertoja, tämä välttää useiden megatavujen uudelleenlataamisen jokaista kysymystä kohden.

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
)

Mikä keskustelumalli mihinkin kysymykseen

model-parametri on valittavissasi, ja se vaikuttaa sekä vastauksen laatuun että kustannuksiin.

MalliProfiiliMilloin valita
mistral-small-latestNopea ja taloudellinenRiittää useimpiin kysymyksiin
mistral-medium-latestHyvä kompromissiTasapaino nopeuden ja tarkkuuden välillä
mistral-large-latestTarkempiMonimutkainen analyysi ja päättely

Valintasi riippuu kysymystesi monimutkaisuudesta ja budjetistasi: summan poimiminen laskusta ei vaadi samaa mallia kuin kahden sopimuksen vastuujärjestelmien vertailu.

Kysymysten ketjuttaminen

Sinun ei tarvitse kysyä kaikkea kerralla. Lähetät dokumentin ensimmäisessä viestissä, lisäät mallin vastauksen historiaan ja esität seuraavan kysymyksesi pelkkänä tekstinä: dokumenttikonteksti säilyy keskustelussa. Tämä on luonteva tapa tutkia raporttia – aloita yhteenvetosta ja syvenny sitten kiinnostavaan kohtaan.

history = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Summarize this document in 3 points."},
            {
                "type": "document_url",
                "document_url": "https://example.com/report.pdf"
            }
        ]
    }
]

# Ensimmäinen kutsu
response = client.chat.complete(
    model="mistral-small-latest",
    messages=history
)

# Lisää vastaus historiaan
history.append({
    "role": "assistant",
    "content": response.choices[0].message.content
})

# Seuraava kysymys
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)

Mitä QnA ei tee puolestasi

On syytä tuntea neljä rajoitusta ennen kuin rakennat palvelun tämän varaan. Ensinnäkin koko: 50 Mt tiedostoa kohden ja enintään 1 000 sivua, mikä sulkee pois suuret arkistot ilman niiden aiempaa pilkkomista. Toiseksi kustannukset, sillä pitkät dokumentit kuluttavat paljon syöttötokensia jokaista esitettyä kysymystä kohden. Kolmanneksi pysyvän muistin puute tarkoittaa, että sinun on rekonstruoitava historia itse; jokainen kutsu on itsenäinen monivaiheisen keskustelun ulkopuolella. Haastavin kohta on viimeinen: LLM tulkitsee yhtä paljon kuin se poimiikin, mikä voi tuoda virheitä tarkkoihin lukuihin. Kirjanpitoon menevän summan kohdalla suosittelen strukturoitua annotointia; varaa QnA ymmärtämiseen ja synteesiin.

Keskeiset asiat

  • Document QnA käyttää Chat-päätepistettä document_url-sisällöllä: joko julkinen URL-osoite tai base64-koodattu PDF data-URL-muodossa
  • Sisäinen työnkulku on ensin OCR ja sitten LLM, mutta vain yksi kutsu tarvitaan
  • Kolme lähetystapaa: URL, base64, ladattu tiedosto
  • Monivaiheiset keskustelut mahdollistavat syvällisen analyysin
  • Valitse keskustelumallisi kysymystesi monimutkaisuuden perusteella