Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Mistoqsijiet u Tweġibiet fuq Dokumenti Multipli

Lezzjoni 14 / 16 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Meta t-Tweġiba Tifrex fuq Fajls Multipli
  2. Ibgħat Kollox f’Sejħa Waħda
  3. Estrazzjoni Separata mill-Istħarriġ
  4. Imxi lejn RAG tad-Dokumenti
  5. Fluss ta’ Ħidma ta’ Tqabbil End-to-End
  6. Punti Ewlenin

Aġġornat fit-2 ta’ Novembru, 2026 — OCR. L-OCR 4.0 (mistral-ocr-4-0) ġie rtirat fit-30 ta’ Settembru, 2026. Uża OCR 4.1 (mistral-ocr-4-1), li ilu disponibbli ġeneralment mill-31 ta’ Awwissu bl-istess prezz, jew l-alias mistral-ocr-latest, li jipponta lejh mis-16 ta’ Lulju. L-OCR 4.1 iżid punteġġi ta’ kunfidenza fil-livell tal-blokki. Addendum fit-3 ta’ Novembru, 2026: PDF lokali jiġi trażmess f’base64 bħala {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; it-tip document_base64 minn eżempji aktar antiki ma jeżistix la fid-dokumentazzjoni u lanqas fl-SDK mistralai, u dawk l-eżempji kienu jfallu. Sorsi: OCR Processor · Document QnA. Ikkoreġut fit-3 ta’ Novembru, 2026: Il-kodiċi qabel kien jaqra page.document_annotation paġna b’paġna; fl-SDK mistralai 3.7.0, l-annotazzjoni tad-dokument hija qasam wieħed fir-risposta (response.document_annotation), u l-annotazzjoni ta’ stampa tinqara minn image.image_annotation.

Meta t-Tweġiba Tifrex fuq Fajls Multipli

F’ħafna xenarji professjonali, it-tweġiba għal mistoqsija ma tinstabx f’dokument wieħed. Jista’ jkollok bżonn tqabbel kuntratti, tirreferenza fatturi ma’ ordnijiet ta’ xiri, jew tanalizza serje ta’ rapporti. Jeżistu tliet strateġiji, u l-aħjar approċċ huwa li tagħżel ibbażat fuq il-volum minflok ma taqbeż direttament għall-għażla l-aktar sofistikata.

Ibgħat Kollox f’Sejħa Waħda

L-aktar metodu dirett huwa li tpoġġi blokok multipli ta’ document_url fl-istess messaġġ. Il-mudell jara ż-żewġ kuntratti ħdejn xulxin u jista’ jqabbilhom verament, ħaġa li l-ipproċessar paġna b’paġna ma jistax jikseb. Hawnhekk nibdlu għal mistral-large-latest għax it-tqabbil jinvolvi raġunament, mhux biss qari.

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)

Il-limitazzjoni tidher malajr: is-somma tad-dokumenti m’għandhiex taqbeż it-tieqa tal-kuntest tal-mudell. Żewġ broċuri ta’ għaxar paġni jgħaddu mingħajr diffikultà; żewġ ftehimiet qafas ta’ mitt paġna le.

Estrazzjoni Separata mill-Istħarriġ

Għal volumi kbar, l-istrateġija rrakkomandata tissepara dawn iż-żewġ passi. tgħaddi kull dokument mill-OCR, iżżomm il-Markdown li jirriżulta, u mbagħad tibni manwalment il-kuntest mibgħut lill-LLM. Il-benefiċċju huwa l-kontroll: it-tronkament għal 5,000 karattru viżibbli fl-eżempju, iż-żamma tal-isem ta’ kull dokument bħala intestatura ta’ taqsima, u l-messaġġ tas-sistema li jistabbilixxi r-rwol ta’ assistent legali. Inti tiddeċiedi eżattament x’jidħol fit-tieqa tal-kuntest minflok ma tħalli dan iseħħ awtomatikament.

import os
from mistralai.client import Mistral

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

def extract_text(url: str) -> str:
    """Testraċċja t-test minn dokument permezz tal-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)


# Estrazzjoni OCR għal kull dokument
documents = {
    "Kuntratt A": extract_text("https://example.com/contract-A.pdf"),
    "Kuntratt B": extract_text("https://example.com/contract-B.pdf"),
    "Kuntratt C": extract_text("https://example.com/contract-C.pdf"),
}

# Ibni l-prompt bil-kuntest
context = "\n\n---\n\n".join(
    f"## {name}\n\n{text[:5000]}"  # Illimita jekk meħtieġ
    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?"
            )
        }
    ]
)

Imxi lejn RAG tad-Dokumenti

Lil hinn minn ftit għexieren ta’ dokumenti, l-ebda tieqa tal-kuntest ma tkun biżżejjed. Imbagħad trid tibgħat biss il-passaġġi rilevanti, li jeħtieġ li taqsam it-testi, tivvetturalihom b’mistral-embed, u tfittex bis-similarità fil-ħin tal-mistoqsija. It-tqassim b’sovrappożizzjoni ta’ 200 karattru jipprevjeni li sentenza maqtugħa bin-nofs titlef it-tifsira tagħha bejn il-biċċiet, u top_k jiddetermina kemm-il passaġġ fl-aħħar mill-aħħar se jakkumpanjaw il-mistoqsija.

import os
from mistralai.client import Mistral

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

def create_embeddings(text: str) -> list[float]:
    """Joħloq embeddings għal test."""
    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]:
    """Jaqsam it-test f'biċċiet b'sovrappożizzjoni."""
    chunks = []
    start = 0
    while start < len(text):
        end = start + size
        chunk = text[start:end]
        chunks.append(chunk)
        start = end - overlap
    return chunks


# Pipeline RAG issimplifikata
def index_document(name: str, text: str) -> list[dict]:
    """Tindiciża dokument għat-tiftix."""
    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]:
    """Ifittex l-aktar biċċiet rilevanti."""
    q_embedding = create_embeddings(query)

    # Kalkolu tas-similarità tal-kożinu
    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]]

Ejja ngħaqqdu l-loġika tal-għażla. L-ibgħat ta’ dokumenti multipli f’sejħa waħda jibqa’ l-aħjar għas-sempliċità u jaħdem tajjeb għal żewġ jew tliet dokumenti qosra. L-OCR separat segwit minn QnA joffri flessibbiltà u jagħtik kontroll fuq x’jintbagħat lill-LLM, bl-ispiża ta’ ftit kodiċi addizzjonali. Ir-RAG tad-dokumenti huwa eħfef biex tiġi stabbilita iżda ssir essenzjali hekk kif il-korp jikber, għax hija l-uniku approċċ li jiskala.

Fluss ta’ Ħidma ta’ Tqabbil End-to-End

Iż-żewġ tekniki jistgħu jiġu kkombinati: xejn ma jipprevjenik milli l-ewwel testraċċja data strutturata permezz tal-annotazzjoni, u mbagħad tgħaddi dik id-data lill-LLM għall-analiżi. Fuq lott ta’ fatturi, kull dokument jitnaqqas għal tliet oqsma—fornitur, ammont, data—qabel ma talba waħda titlob lill-mudell jidentifika x-xejriet u l-anomaliji. L-ispiża tat-tokens issir negliġibbli, u l-analiżi tiffoka fuq ċifri estratti b’mod nadif minflok test interpretat fuq il-post.

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:
    """Tqabbel fatturi multipli u tirritorna analiżi."""
    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)

    # Analiżi komparattiva permezz tal-LLM
    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

Punti Ewlenin

  • Tliet approċċi għal QnA fuq dokumenti multipli: inline, OCR separat, RAG
  • L-approċċ inline jaħdem għal 2–3 dokumenti qosra
  • OCR separat + QnA joffri aktar kontroll fuq it-tokens ikkunsmati
  • RAG huwa essenzjali għal korpi kbar (għexieren ta’ dokumenti)
  • Ikkombina annotazzjonijiet strutturati ma’ QnA għal analiżi preċiżi