Vai al contenuto principale
Italiano— Scegli una lingua
Menu

L'API Document QnA

Lezione 13 di 16 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Interrogez vos documents en langage naturel
  2. Un point de terminaison différent de l’OCR
  3. Trois façons d’envoyer le document
  4. Quel modèle de chat pour quelle question
  5. Enchaîner les questions
  6. Ce que QnA ne fera pas pour toi
  7. Punti chiave

Leçon mise à jour le 3 novembre 2026. Addendum du 3 novembre 2026 : Pour envoyer un PDF local, transmettez-le en base64 au format {"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Le type document_base64 présent dans d’anciens exemples n’existe ni dans la documentation ni dans le SDK mistralai, et ces exemples auraient échoué. Sources : OCR Processor · Document QnA.

Interrogez vos documents en langage naturel

Document QnA combine l’OCR avec un LLM Mistral, vous permettant de poser des questions directement sur le contenu de vos documents. Au lieu de parcourir cinquante pages pour trouver une clause ou un chiffre spécifique, vous posez simplement la question et lisez la réponse. En interne, le service exécute deux étapes : l’OCR extrait le texte, la structure et la mise en forme, puis un modèle de chat Mistral analyse le contenu extrait pour générer une réponse. Cette combinaison est transparente pour toi : un seul appel API gère tout.

Un point de terminaison différent de l’OCR

C’est souvent là que les gens trébuchent lors du premier essai. L’OCR pur utilise client.ocr.process, tandis que QnA utilise le point de terminaison Chat standard client.chat.complete, avec un message contenant à la fois un bloc de texte et un bloc document_url. En d’autres termes, le document devient une pièce jointe à ta question, tout comme une image dans un échange multimodal.

import os
from mistralai.client import Mistral

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

# Question sur un document public
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)

Trois façons d’envoyer le document

Une URL publique est la voie la plus directe, idéale pour les documents déjà accessibles en ligne, comme une publication scientifique, un rapport institutionnel ou un PDF hébergé sur ton site web.

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
)

Les fichiers locaux, en revanche, sont envoyés en base64. C’est le mode par défaut chaque fois qu’un document est confidentiel ou stocké derrière ton pare-feu ; rien n’a besoin d’être publié sur le web pour être interrogé.

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
)

Enfin, il existe une troisième option pour les fichiers déjà téléchargés via l’API Files : tu télécharges une fois avec purpose="ocr", puis tu références l’ID résultant autant de fois que nécessaire. Pour un document que tu prévois d’interroger plusieurs fois, cela évite de retélécharger plusieurs mégaoctets à chaque question.

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
)

Quel modèle de chat pour quelle question

Le paramètre model t’appartient et impacte à la fois la qualité de la réponse et le coût.

ModèleProfilQuand le choisir
mistral-small-latestRapide et économiqueSuffisant pour la plupart des questions
mistral-medium-latestBon compromisÉquilibre entre vitesse et précision
mistral-large-latestPlus précisAnalyses et raisonnements complexes

Ton choix dépend de la complexité de tes questions et de ton budget : extraire un montant d’une facture ne nécessite pas le même modèle que la comparaison des régimes de responsabilité entre deux contrats.

Enchaîner les questions

Tu n’es pas obligé de tout demander d’un coup. Tu envoies le document dans le premier message, tu ajoutes la réponse du modèle à l’historique, puis tu poses ta question de suivi uniquement sous forme de texte : le contexte du document reste dans la conversation. C’est la manière naturelle d’explorer un rapport : commence par un résumé, puis approfondis le point qui t’intéresse.

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

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

# Ajouter la réponse à l'historique
history.append({
    "role": "assistant",
    "content": response.choices[0].message.content
})

# Question de suivi
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)

Ce que QnA ne fera pas pour toi

Quatre limitations valent la peine d’être connues avant de construire un service dessus. Premièrement, la taille : 50 Mo par fichier et un maximum de 1 000 pages, ce qui exclut les grandes archives sans découpage préalable. Deuxièmement, le coût, car les longs documents consomment de nombreux jetons d’entrée à chaque question posée. Troisièmement, l’absence de mémoire persistante signifie que tu dois reconstruire l’historique toi-même ; chaque appel est indépendant en dehors d’une conversation multi-tours. Le point le plus délicat est le dernier : le LLM interprète autant qu’il extrait, ce qui peut introduire des erreurs dans les chiffres précis. Pour un montant destiné à la comptabilité, privilégie l’annotation structurée ; réserve QnA à la compréhension et à la synthèse.

Punti chiave

  • Document QnA utilise le point de terminaison Chat avec un contenu document_url : soit une URL publique, soit un PDF encodé en base64 sous forme d’URL de données
  • Le flux de travail interne est OCR puis LLM, mais un seul appel est nécessaire
  • Trois méthodes d’envoi : URL, base64, fichier téléchargé
  • Les conversations multi-tours permettent une analyse approfondie
  • Choisis ton modèle de chat en fonction de la complexité de tes questions