Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

De Document QnA API

Les 13 van 16 Bijgewerkt op 3 november 2026 Ontwikkelaar
Op deze pagina
  1. Uw documenten bevragen in natuurlijke taal
  2. Een ander eindpunt dan bij OCR
  3. Drie manieren om het document te verzenden
  4. Welk chatmodel voor welke vraag
  5. Vragen ketenen
  6. Wat QnA niet voor u doet
  7. Belangrijkste punten

Les bijgewerkt op 3 november 2026. Addendum 3 november 2026: Om een lokale PDF te verzenden, stuurt u deze als base64 in het formaat {"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Het type document_base64 dat in oudere voorbeelden voorkomt, bestaat niet in de documentatie of de mistralai SDK; die voorbeelden zouden zijn mislukt. Bronnen: OCR Processor · Document QnA.

Uw documenten bevragen in natuurlijke taal

Document QnA combineert OCR met een Mistral LLM, zodat u rechtstreeks vragen kunt stellen over de inhoud van uw document. In plaats dat u vijftig pagina’s doorzoekt om een specifieke clausule of cijfer te vinden, stelt u eenvoudig de vraag en leest u het antwoord. Intern voert de service twee stappen uit: OCR haalt de tekst, structuur en opmaak eruit, waarna een Mistral-chatmodel de geëxtraheerde inhoud analyseert om een antwoord te genereren. Deze combinatie is voor u transparant; één API-oproep regelt alles.

Een ander eindpunt dan bij OCR

Dit is het punt waar mensen bij de eerste poging vaak de fout in gaan. Pure OCR gebruikt client.ocr.process, terwijl QnA het standaard Chat-eindpunt client.chat.complete gebruikt, met een bericht dat zowel een tekstblok als een document_url-blok bevat. Met andere woorden: het document wordt een bijlage bij uw vraag, net zoals een afbeelding in een multimodale uitwisseling.

import os
from mistralai.client import Mistral

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

# Vraag over een openbaar document
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)

Drie manieren om het document te verzenden

Een openbare URL is de meest directe route, ideaal voor documenten die al online toegankelijk zijn, zoals een wetenschappelijke publicatie, een institutioneel rapport of een PDF die op uw website staat gehost.

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
)

Lokale bestanden worden daarentegen als base64 verzonden. Dit is de standaardmodus wanneer een document vertrouwelijk is of achter uw firewall staat opgeslagen; er hoeft niets op het web gepubliceerd te worden om het te bevragen.

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
)

Tot slot is er de derde optie voor bestanden die al via de Files API zijn geüpload: u uploadt één keer met purpose="ocr" en verwijst vervolgens zo vaak als nodig naar de resulterende ID. Voor een document dat u meerdere keren wilt bevragen, voorkomt dit dat u bij elke vraag opnieuw meerdere megabytes moet uploaden.

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
)

Welk chatmodel voor welke vraag

De parameter model kiest u zelf; deze heeft invloed op zowel de kwaliteit van het antwoord als de kosten.

ModelProfielWanneer kiezen
mistral-small-latestSnel en zuinigVoldoende voor de meeste vragen
mistral-medium-latestGoed compromisGebalanceerde snelheid en nauwkeurigheid
mistral-large-latestNauwkeurigerComplexe analyse en redenering

Uw keuze hangt af van de complexiteit van uw vragen en uw budget: het extraheren van een bedrag van een factuur vereist niet hetzelfde model als het vergelijken van aansprakelijkheidsregimes tussen twee contracten.

Vragen ketenen

U hoeft niet alles in één keer te vragen. U stuurt het document in het eerste bericht, voegt het antwoord van het model toe aan de geschiedenis en stelt uw vervolgvraag vervolgens als alleen tekst: de documentcontext blijft in het gesprek behouden. Dit is de natuurlijke manier om een rapport te verkennen: begin met een samenvatting en duik vervolgens dieper in het punt dat u interesseert.

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

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

# Antwoord toevoegen aan geschiedenis
history.append({
    "role": "assistant",
    "content": response.choices[0].message.content
})

# Vervolgvraag
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)

Wat QnA niet voor u doet

Er zijn vier beperkingen die u moet kennen voordat u hierop een service bouwt. Ten eerste de grootte: maximaal 50 MB per bestand en 1.000 pagina’s, wat grote archieven uitsluit zonder voorafgaande splitsing. Ten tweede de kosten, aangezien lange documenten bij elke gestelde vraag veel inputtokens verbruiken. Ten derde betekent het ontbreken van persistent geheugen dat u de geschiedenis zelf moet reconstrueren; elke oproep is onafhankelijk buiten een conversatie met meerdere beurten om. Het lastigste punt is het laatste: de LLM interpreteert evenveel als dat hij extraheert, wat fouten in precieze cijfers kan introduceren. Voor een bedrag dat in de boekhouding moet, geeft u de voorkeur aan gestructureerde annotatie; reserveer QnA voor begrip en synthese.

Belangrijkste punten

  • Document QnA gebruikt het Chat-eindpunt met document_url-inhoud: zowel een openbare URL als een base64-gecodeerde PDF als data-URL
  • De interne workflow is eerst OCR, dan LLM, maar er is slechts één oproep nodig
  • Drie verzendmethoden: URL, base64, geüpload bestand
  • Conversaties met meerdere beurten maken diepgaande analyse mogelijk
  • Kies uw chatmodel op basis van de complexiteit van uw vragen