Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A Document QnA API

13. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Dokumentumaid lekérdezése természetes nyelven
  2. Egy másik végpont, mint az OCR-nél
  3. Három módszer a dokumentum elküldésére
  4. Melyik chat-modellt válaszd melyik kérdéshez?
  5. Kérdések láncolása
  6. Amit a QnA nem végez el helyetted
  7. Főbb megállapítások

Lecke frissítve: 2026. november 3. Kiegészítés 2026. november 3-án: Helyi PDF küldéséhez továbbítsd azt base64 formátumban a következő szerkezetben: {"type": "document_url", "document_url": "data:application/pdf;base64,…"}. A régebbi példákban szereplő document_base64 típus nem létezik sem a dokumentációban, sem a mistralai SDK-ban; az ilyen példák hibát okoztak volna. Források: OCR Processor · Document QnA.

Dokumentumaid lekérdezése természetes nyelven

A Document QnA az OCR technológiát egyesíti egy Mistral LLM-mel, lehetővé téve, hogy közvetlenül kérdéseket tegyél fel a dokumentumaid tartalmával kapcsolatban. Ahelyett, hogy ötven oldalon keresztül keresgélnél egy konkrét záradék vagy szám után, egyszerűen felteszed a kérdést, és elolvasod a választ. A szolgáltatás belsőleg két lépésben működik: az OCR kinyeri a szöveget, a szerkezetet és a formázást, majd egy Mistral chat-modell elemzi a kinyert tartalmat, hogy generálja a választ. Ez a kombináció számodra átlátható – egyetlen API-hívás mindent intéz.

Egy másik végpont, mint az OCR-nél

Ez az a rész, ahol az emberek többsége először elakad. A tiszta OCR a client.ocr.process metódust használja, míg a QnA a szabványos Chat végpontot, a client.chat.complete-et hívja meg, olyan üzenettel, amely egyszerre tartalmaz szöveges blokkot és egy document_url blokkot. Más szóval: a dokumentum a kérdésed mellékletévé válik, akárcsak egy kép egy multimodális beszélgetésben.

import os
from mistralai.client import Mistral

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

# Kérdés egy nyilvános dokumentumról
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)

Három módszer a dokumentum elküldésére

A nyilvános URL a legközvetlenebb út, ideális olyan dokumentumokhoz, amelyek már elérhetők online – például tudományos publikációk, intézményi jelentések vagy a weboldaladon tárolt PDF-ek.

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
)

A helyi fájlokat ezzel szemben base64 kódolással küldöd el. Ez az alapértelmezett mód, amikor a dokumentum bizalmas, vagy tűzfal mögött tárolod; semmit nem kell közzétenni a weben ahhoz, hogy lekérdezd.

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
)

Végül létezik egy harmadik lehetőség is a Files API-n keresztül már feltöltött fájlok esetén: egyszer feltöltöd a fájlt a purpose="ocr" paraméterrel, majd a kapott azonosítót (ID) annyiszor hivatkozod meg, ahányszor csak szükséges. Ha egy dokumentumot többször is le szeretnél kérdezni, ezzel elkerülheted, hogy minden egyes kérdéskor újra feltölts több megabájtnyi adatot.

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
)

Melyik chat-modellt válaszd melyik kérdéshez?

A model paraméter rajtad múlik, és ez befolyásolja mind a válaszok minőségét, mind a költségeket.

ModellProfilMikor válaszd?
mistral-small-latestGyors és gazdaságosA legtöbb kérdéshez elegendő
mistral-medium-latestJó kompromisszumKiegyensúlyozott sebesség és pontosság
mistral-large-latestPontosabbKomplex elemzés és következtetés igénye esetén

A választásod a kérdéseid összetettségétől és a költségkeretedtől függ: egy számláról történő összeg kinyeréséhez nem ugyanaz a modell szükséges, mint két szerződés felelősségi rendszereinek összehasonlításához.

Kérdések láncolása

Nem kell mindent egyszerre megkérdezned. Elküldöd a dokumentumot az első üzenetben, hozzáadod a modell válaszát az előzményekhez, majd a követő kérdésedet már csak szöveges formában teszed fel: a dokumentum kontextusa megmarad a beszélgetésben. Ez a természetes módja egy jelentés feltárásának – kezdj egy összefoglalóval, majd mélyülj el abban a pontban, amely érdekel.

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

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

# Válasz hozzáadása az előzményekhez
history.append({
    "role": "assistant",
    "content": response.choices[0].message.content
})

# Követő kérdés
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)

Amit a QnA nem végez el helyetted

Négy korlátozást érdemes ismerned, mielőtt szolgáltatást építenél erre az alapra. Először is a méret: fájlonként maximum 50 MB és 1000 oldal, ami kizárja a nagy archívumok előzetes felosztás nélküli feldolgozását. Másodszor a költség, mivel a hosszú dokumentumok minden egyes kérdéskor sok bemeneti tokent emésztenek fel. Harmadszor a tartós memória hiánya: magadnak kell felépítened az előzményeket; minden hívás független, kivéve a több körös beszélgetéseken belül. A legtrükkösebb pont az utolsó: az LLM nemcsak kinyer, hanem értelmez is, ami pontatlan számok esetén hibákhoz vezethet. Ha egy összeget könyvelési célokra használsz, részesítsd előnyben a strukturált annotációt; a QnA-t hagyd meg a megértésre és az összefoglalásra.

Főbb megállapítások

  • A Document QnA a Chat végpontot használja document_url tartalommal: ez lehet nyilvános URL vagy base64-kódolt PDF adat-URL-ként
  • A belső munkafolyamat először OCR, majd LLM, de csak egyetlen hívás szükséges
  • Három küldési módszer: URL, base64, feltöltött fájl
  • A több körös beszélgetések lehetővé teszik a mélyreható elemzést
  • A kérdéseid összetettsége alapján válaszd ki a megfelelő chat-modellt