Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Többdokumentumos kérdés-válasz

14. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Amikor a válasz több fájlt érint
  2. Minden elküldése egyetlen hívásban
  3. A kinyerés és a lekérdezés szétválasztása
  4. Áttérés dokumentum-alapú RAG-ra
  5. End-to-end összehasonlító munkafolyamat
  6. Főbb megállapítások

Frissítve: 2026. november 2. — OCR. Az OCR 4.0 (mistral-ocr-4-0) modell támogatása 2026. szeptember 30-án megszűnt. Használd az OCR 4.1 (mistral-ocr-4-1) verziót, amely augusztus 31. óta általánosan elérhető ugyanazon az áron, vagy a mistral-ocr-latest aliast, amely július 16. óta erre mutat. Az OCR 4.1 blokk szintű megbízhatósági pontszámokat (confidence scores) is biztosít. Kiegészítés: 2026. november 3.: A helyi PDF fájlokat base64 kódolással kell elküldeni a következő formátumban: {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; a régebbi példákban szereplő document_base64 típus sem a dokumentációban, sem a mistralai SDK-ban nem létezik, és ezek a példák hibát okoztak volna. Források: OCR Processzor · Dokumentum QnA. Javítva: 2026. november 3.: A korábbi kód oldalanként olvasta a page.document_annotation mezőt; a mistralai SDK 3.7.0 verziójában a dokumentum annotáció egyetlen mező a válaszban (response.document_annotation), míg a kép annotációja az image.image_annotation mezőből olvasható.

Amikor a válasz több fájlt érint

Számos szakmai helyzetben a kérdésre adott válasz nem egyetlen dokumentumban található meg. Előfordulhat, hogy szerződéseket kell összehasonlítanod, számlákat kell összevetned a megrendelésekkel, vagy jelentések sorozatát kell elemezned. Három stratégia létezik, és a legjobb megközelítés kiválasztásánál a dokumentumok mennyisége alapján döntsd el a módszert, ne pedig automatikusan a legbonyolultabb megoldást válaszd.

Minden elküldése egyetlen hívásban

A legközvetlenebb módszer, ha több document_url blokkot halmozol fel ugyanabban az üzenetben. A modell így egyszerre látja mindkét szerződést, és képes valódi összehasonlítást végezni, amit az oldalankénti feldolgozás nem tesz lehetővé. Itt a mistral-large-latest modellre váltunk, mert az összehasonlítás következtetést igényel, nem csupán olvasást.

import os
from mistralai.client import Mistral

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

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": (
                        "Compare the payment terms "
                        "of these two contracts."
                    )
                },
                {
                    "type": "document_url",
                    "document_url": "https://example.com/contract-A.pdf"
                },
                {
                    "type": "document_url",
                    "document_url": "https://example.com/contract-B.pdf"
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

A korlát hamar megjelenik: a dokumentumok összterjedelme nem haladhatja meg a modell kontextusablakának méretét. Két tízoldalas brosúra gond nélkül átmegy; két százoldalos keretszerződés már nem.

A kinyerés és a lekérdezés szétválasztása

Nagyobb mennyiségű adat esetén a javasolt stratégia e két lépés szétválasztása. Minden dokumentumot átengedsz az OCR-en, megőrzöd a kapott Markdown szöveget, majd manuálisan építed fel az LLM-nek küldendő kontextust. Ennek előnye a kontroll: a példában látható 5000 karakteres levágás, minden dokumentum nevének szakaszcímként való megtartása, valamint a rendszerüzenet, amely jogi asszisztens szerepet határoz meg. Te döntöd el pontosan, mi kerül a kontextusablakba, ahelyett, hogy ezt automatikusra bíznád.

import os
from mistralai.client import Mistral

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

def extract_text(url: str) -> str:
    """Extracts text from a document via OCR."""
    response = client.ocr.process(
        model="mistral-ocr-latest",
        document={"type": "document_url", "document_url": url}
    )
    return "\n\n".join(p.markdown for p in response.pages)


# OCR kinyerés minden dokumentumhoz
documents = {
    "Contract A": extract_text("https://example.com/contract-A.pdf"),
    "Contract B": extract_text("https://example.com/contract-B.pdf"),
    "Contract C": extract_text("https://example.com/contract-C.pdf"),
}

# A prompt felépítése kontextussal
context = "\n\n---\n\n".join(
    f"## {name}\n\n{text[:5000]}"  # Szükség esetén korlátozás
    for name, text in documents.items()
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a legal assistant. Analyze the "
                "provided documents and answer questions."
            )
        },
        {
            "role": "user",
            "content": (
                f"Here are the documents:\n\n{context}\n\n"
                f"Question: Which contract offers the best "
                f"early termination conditions?"
            )
        }
    ]
)

Áttérés dokumentum-alapú RAG-ra

Néhány tucat dokumentum felett egyetlen kontextusablak sem lesz elegendő. Ilyenkor csak a releváns részleteket kell elküldened, amihez szövegdarabokra (chunk) kell bontanod a szövegeket, vektorizálnod kell őket a mistral-embed modellel, majd hasonlóság alapján keresned lekérdezéskor. A 200 karakteres átfedéssel történő darabolás megakadályozza, hogy egy félbevágott mondat elveszítse jelentését a darabok között, a top_k paraméter pedig meghatározza, hány részlet kíséri majd végül a kérdést.

import os
from mistralai.client import Mistral

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

def create_embeddings(text: str) -> list[float]:
    """Creates embeddings for a text."""
    response = client.embeddings.create(
        model="mistral-embed",
        inputs=[text]
    )
    return response.data[0].embedding


def chunker(text: str, size: int = 1000, overlap: int = 200) -> list[str]:
    """Splits text into chunks with overlap."""
    chunks = []
    start = 0
    while start < len(text):
        end = start + size
        chunk = text[start:end]
        chunks.append(chunk)
        start = end - overlap
    return chunks


# Egyszerűsített RAG folyamat
def index_document(name: str, text: str) -> list[dict]:
    """Indexes a document for search."""
    chunks = chunker(text)
    index = []

    for i, chunk in enumerate(chunks):
        embedding = create_embeddings(chunk)
        index.append({
            "document": name,
            "chunk_id": i,
            "text": chunk,
            "embedding": embedding
        })

    return index


def search(query: str, index: list[dict], top_k: int = 5) -> list[dict]:
    """Searches for the most relevant chunks."""
    q_embedding = create_embeddings(query)

    # Koszinusz hasonlóság számítása
    import numpy as np
    scores = []
    for item in index:
        score = np.dot(q_embedding, item["embedding"])
        scores.append((score, item))

    scores.sort(key=lambda x: x[0], reverse=True)
    return [item for _, item in scores[:top_k]]

Foglaljuk össze a választási logikát. Több dokumentum elküldése egyetlen hívásban az egyszerűség szempontjából verhetetlen, és jól működik két-három rövid dokumentum esetén. A különálló OCR, majd azt követő kérdés-válasz folyamat nagyobb rugalmasságot biztosít, és kontrollt ad az LLM-nek küldött adatok felett, bár ez némi plusz kódot igényel. A dokumentum-alapú RAG nehezebben állítható be, de a gyűjtemény növekedésével elengedhetetlenné válik, mivel ez az egyetlen módszer, amely skálázható.

End-to-end összehasonlító munkafolyamat

A két technika kombinálható: semmi akadálya annak, hogy először strukturált adatokat nyerj ki annotáció segítségével, majd ezeket az adatokat átadd az LLM-nek elemzésre. Egy számlatétel esetén minden dokumentumot három mezőre redukálhatsz – szállító, összeg, dátum –, mielőtt egyetlen kéréssel megkérnéd a modellt a trendek és anomáliák azonosítására. A tokenköltség elhanyagolhatóvá válik, az elemzés pedig a tisztán kinyert számokra fókuszál, nem pedig a menet közben értelmezett szövegre.

import os
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model

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

class InvoiceSummary(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    amount_inc_tax: float = Field(..., description="Amount including tax")
    date: str = Field(..., description="Date (YYYY-MM-DD)")

def compare_invoices(paths: list[str]) -> str:
    """Compares multiple invoices and returns an analysis."""
    import base64

    invoices = []
    for path in paths:
        with open(path, "rb") as f:
            doc_b64 = base64.b64encode(f.read()).decode("utf-8")

        response = client.ocr.process(
            model="mistral-ocr-latest",
            document={
                "type": "document_url",
                "document_url": f"data:application/pdf;base64,{doc_b64}"
            },
            document_annotation_format=response_format_from_pydantic_model(
                InvoiceSummary
            )
        )

        if response.document_annotation:
            invoice = InvoiceSummary.model_validate_json(
                response.document_annotation
            )
            invoices.append(invoice)

    # Összehasonlító elemzés LLM-mel
    summary = "\n".join(
        f"- {f.vendor}: €{f.amount_inc_tax} ({f.date})"
        for f in invoices
    )

    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[
            {
                "role": "user",
                "content": (
                    f"Here are {len(invoices)} invoices:\n{summary}\n\n"
                    f"Analyze trends and anomalies."
                )
            }
        ]
    )

    return response.choices[0].message.content

Főbb megállapítások

  • Három megközelítés létezik többdokumentumos kérdés-válaszhoz: beágyazott, különálló OCR, RAG
  • A beágyazott megközelítés 2–3 rövid dokumentum esetén működik jól
  • A különálló OCR + kérdés-válasz nagyobb kontrollt biztosít a felhasznált tokenek felett
  • A RAG elengedhetetlen nagy gyűjtemények esetén (több tucat dokumentum)
  • Kombináld a strukturált annotációkat a kérdés-válasz funkcióval a pontos elemzések érdekében