Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

API Document QnA

Lekcija 13 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Upiti tvojih dokumenata na prirodnom jeziku
  2. Različita krajnja točka od OCR-a
  3. Tri načina slanja dokumenta
  4. Koji chat model za koje pitanje
  5. Lančano postavljanje pitanja
  6. Što QnA neće učiniti za tebe
  7. Ključne točke

Lekcija ažurirana 3. studenog 2026. Dodatak od 3. studenog 2026.: Za slanje lokalnog PDF-a, pošalji ga kao base64 u formatu {"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Tip document_base64 pronađen u starijim primjerima ne postoji u dokumentaciji niti u mistralai SDK-u, a ti bi primjeri bili neuspješni. Izvori: OCR Processor · Document QnA.

Upiti tvojih dokumenata na prirodnom jeziku

Document QnA kombinira OCR s Mistral LLM-om, omogućujući ti da postavljaš pitanja izravno o sadržaju svojih dokumenata. Umjesto skeniranja pedeset stranica kako bi pronašao specifičnu klauzulu ili brojku, jednostavno postaviš pitanje i pročitaš odgovor. Interno, usluga izvršava dva koraka: OCR izvlači tekst, strukturu i formatiranje, zatim Mistral chat model analizira izvučeni sadržaj kako bi generirao odgovor. Ova kombinacija je za tebe transparentna – jedan API poziv rješava sve.

Različita krajnja točka od OCR-a

Ovo je dio koji ljude često zbuni pri prvom pokušaju. Čisti OCR koristi client.ocr.process, dok QnA koristi standardnu Chat krajnju točku client.chat.complete, s porukom koja sadrži i tekstualni blok i document_url blok. Drugim riječima, dokument postaje privitak tvom pitanju, baš kao slika u multimodalnoj razmjeni.

import os
from mistralai.client import Mistral

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

# Pitanje o javnom dokumentu
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)

Tri načina slanja dokumenta

Javni URL je najizravniji put, idealan za dokumente koji su već dostupni na internetu – poput znanstvene publikacije, institucionalnog izvješća ili PDF-a hostiranog na tvojoj web stranici.

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
)

Lokalne datoteke, s druge strane, šalju se kao base64. Ovo je zadani način kad god je dokument povjerljiv ili pohranjen iza tvoje vatrozida; ništa ne mora biti objavljeno na webu da bi se moglo upitati.

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
)

Konačno, postoji treća opcija za datoteke koje su već učitane putem Files API-ja: učitaš jednom s purpose="ocr", zatim referenciraš rezultirajući ID onoliko puta koliko je potrebno. Za dokument koji planiraš više puta upitati, ovo izbjegava ponovno učitavanje nekoliko megabajta uz svako pitanje.

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
)

Koji chat model za koje pitanje

Parametar model je na tebi i utječe i na kvalitetu odgovora i na trošak.

ModelProfilKada ga odabrati
mistral-small-latestBrz i ekonomičanDovoljan za većinu pitanja
mistral-medium-latestDobar kompromisUravnotežena brzina i točnost
mistral-large-latestPreciznijiSložena analiza i rezoniranje

Tvoj izbor ovisi o složenosti tvojih pitanja i tvom proračunu: izvlačenje iznosa s računa ne zahtijeva isti model kao usporedba režima odgovornosti između dva ugovora.

Lančano postavljanje pitanja

Ne moraš pitati sve odjednom. Dokument šalješ u prvoj poruci, dodaješ odgovor modela u povijest, zatim postavljaš svoje sljedeće pitanje samo kao tekst: kontekst dokumenta ostaje u razgovoru. Ovo je prirodan način istraživanja izvješća – započni sa sažetkom, zatim dublje zaroni u točku koja te zanima.

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

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

# Dodaj odgovor u povijest
history.append({
    "role": "assistant",
    "content": response.choices[0].message.content
})

# Naknadno pitanje
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)

Što QnA neće učiniti za tebe

Četiri ograničenja vrijedi znati prije izgradnje usluge na ovome. Prvo, veličina: 50 MB po datoteci i maksimum od 1.000 stranica, što isključuje velike arhive bez prethodnog dijeljenja. Drugo, trošak, jer dugi dokumenti troše mnogo ulaznih tokena sa svakim postavljenim pitanjem. Treće, nedostatak trajne memorije znači da moraš sam rekonstruirati povijest; svaki poziv je neovisan izvan razgovora s više okreta. Najzamršenija točka je posljednja: LLM tumači jednako koliko i izvlači, što može uvesti pogreške u precizne brojke. Za iznos koji ide u knjigovodstvo, preferiraj strukturiranu anotaciju; QnA rezerviraj za razumijevanje i sintezu.

Ključne točke

  • Document QnA koristi Chat krajnju točku sa sadržajem document_url: bilo javni URL ili PDF kodiran u base64 kao data URL
  • Interni tijek rada je OCR zatim LLM, ali potreban je samo jedan poziv
  • Tri metode slanja: URL, base64, učitana datoteka
  • Razgovori s više okreta omogućuju dubinsku analizu
  • Odaberi svoj chat model na temelju složenosti svojih pitanja