Interfejs API Document QnA
Na tej stronie
Lekcja zaktualizowana 3 listopada 2026 r. Dodatek z 3 listopada 2026 r.: Aby wysłać lokalny plik PDF, przekaż go zakodowany w formacie base64:
{"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Typdocument_base64występujący w starszych przykładach nie istnieje ani w dokumentacji, ani w SDKmistralai, a takie przykłady zakończyłyby się niepowodzeniem. Źródła: OCR Processor · Document QnA.
Zadawaj pytania do swoich dokumentów w języku naturalnym
Document QnA łączy technologię OCR z dużym modelem językowym (LLM) firmy Mistral, pozwalając Ci zadawać pytania bezpośrednio dotyczące treści dokumentu. Zamiast przeglądać pięćdziesiąt stron w poszukiwaniu konkretnego zapisu lub liczby, po prostu zadajesz pytanie i otrzymujesz odpowiedź. Wewnętrznie usługa wykonuje dwa kroki: najpierw OCR ekstrahuje tekst, strukturę i formatowanie, a następnie model czatowy Mistral analizuje wydobyte dane, aby wygenerować odpowiedź. Cały ten proces jest dla Ciebie przezroczysty – wszystko załatwia jedno wywołanie API.
Inny punkt końcowy niż w przypadku OCR
To właśnie ten aspekt najczęściej sprawia trudności przy pierwszej próbie. Czysty OCR korzysta z metody client.ocr.process, podczas gdy QnA używa standardowego punktu końcowego czatu client.chat.complete, przesyłając wiadomość zawierającą zarówno blok tekstowy, jak i blok document_url. Innymi słowy, dokument staje się załącznikiem do Twojego pytania, podobnie jak obrazek w rozmowie multimodalnej.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Pytanie dotyczące publicznego dokumentu
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)
Trzy sposoby wysyłania dokumentu
Publiczny adres URL to najprostsza droga, idealna dla dokumentów już dostępnych w sieci – takich jak publikacje naukowe, raporty instytucjonalne czy pliki PDF hostowane na Twojej stronie internetowej.
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
)
Pliki lokalne wysyła się natomiast w formacie base64. Jest to tryb domyślny, gdy dokument jest poufny lub przechowywany za Twoją zaporą sieciową; nic nie musi być publikowane w sieci, aby można było zadać do niego pytania.
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
)
Istnieje wreszcie trzecia opcja dla plików już przesłanych za pośrednictwem Files API: przesyłasz plik raz z parametrem purpose="ocr", a następnie odwołujesz się do uzyskanego identyfikatora tyle razy, ile potrzebujesz. W przypadku dokumentu, który planujesz wielokrotnie odpytywać, pozwala to uniknąć ponownego przesyłania kilku megabajtów przy każdym pytaniu.
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
)
Jaki model czatu do jakiego pytania
Parametr model zależy od Ciebie i wpływa zarówno na jakość odpowiedzi, jak i na koszt.
| Model | Profil | Kiedy go wybrać |
|---|---|---|
mistral-small-latest | Szybki i ekonomiczny | Wystarczający do większości pytań |
mistral-medium-latest | Dobry kompromis | Zrównoważona szybkość i dokładność |
mistral-large-latest | Bardziej precyzyjny | Złożona analiza i wnioskowanie |
Twój wybór zależy od złożoności pytań i budżetu: wydobycie kwoty z faktury nie wymaga tego samego modelu co porównanie reżimów odpowiedzialności w dwóch różnych umowach.
Łańcuchowanie pytań
Nie musisz zadawać wszystkich pytań naraz. Wysyłasz dokument w pierwszej wiadomości, dodajesz odpowiedź modelu do historii, a następnie zadajesz kolejne pytanie już jako sam tekst – kontekst dokumentu pozostaje w konwersacji. To naturalny sposób eksploracji raportu: zacznij od podsumowania, a następnie zagłębij się w punkt, który Cię interesuje.
history = [
{
"role": "user",
"content": [
{"type": "text", "text": "Summarize this document in 3 points."},
{
"type": "document_url",
"document_url": "https://example.com/report.pdf"
}
]
}
]
# Pierwsze wywołanie
response = client.chat.complete(
model="mistral-small-latest",
messages=history
)
# Dodanie odpowiedzi do historii
history.append({
"role": "assistant",
"content": response.choices[0].message.content
})
# Kolejne pytanie
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)
Czego QnA dla Ciebie nie zrobi
Warto znać cztery ograniczenia przed zbudowaniem usługi opartej na tym rozwiązaniu. Po pierwsze, rozmiar: limit to 50 MB na plik i maksymalnie 1000 stron, co wyklucza duże archiwa bez wcześniejszego ich podziału. Po drugie, koszt, ponieważ długie dokumenty zużywają wiele tokenów wejściowych przy każdym zadanym pytaniu. Po trzecie, brak trwałej pamięci oznacza, że musisz samodzielnie rekonstruować historię; każde wywołanie jest niezależne poza kontekstem rozmowy wieloetapowej. Najtrudniejszy jest jednak ostatni punkt: LLM zarówno interpretuje dane, jak i je ekstrahuje, co może wprowadzać błędy w precyzyjnych danych liczbowych. W przypadku kwot trafiających do księgowości preferuj strukturalne adnotacje; QnA zarezerwuj do zrozumienia treści i syntezy.
Kluczowe wnioski
- Document QnA korzysta z punktu końcowego Chat z zawartością
document_url: może to być publiczny adres URL lub plik PDF zakodowany w base64 jako URL danych - Wewnętrzny przepływ pracy to najpierw OCR, potem LLM, ale wymagane jest tylko jedno wywołanie
- Trzy metody wysyłania: URL, base64, przesłany plik
- Rozmowy wieloetapowe umożliwiają dogłębną analizę
- Wybierz model czatu w zależności od złożoności swoich pytań