Salt la conținutul principal
Română— Alege o limbă
Meniu

API-ul Document QnA

Lecția 13 din 16 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Interogarea documentelor în limbaj natural
  2. Un endpoint diferit față de OCR
  3. Trei moduri de a trimite documentul
  4. Ce model de chat pentru ce întrebare
  5. Înlănțuirea întrebărilor
  6. Ce nu va face QnA pentru dumneavoastră
  7. Puncte cheie

Lecție actualizată la 3 noiembrie 2026. Adendendum din 3 noiembrie 2026: Pentru a trimite un fișier PDF local, transmiteți-l codat în base64 în formatul {"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Tipul document_base64 întâlnit în exemplele mai vechi nu există nici în documentație, nici în SDK-ul mistralai, iar acele exemple ar fi eșuat. Surse: OCR Processor · Document QnA.

Interogarea documentelor în limbaj natural

Document QnA combină tehnologia OCR cu un model LLM Mistral, permițându-vă să puneți întrebări direct despre conținutul documentelor dumneavoastră. În loc să parcurgeți cincizeci de pagini pentru a găsi o clauză sau o cifră specifică, puneți simplu întrebarea și citiți răspunsul. Intern, serviciul execută doi pași: OCR extrage textul, structura și formatarea, apoi un model de chat Mistral analizează conținutul extras pentru a genera un răspuns. Această combinație este transparentă pentru dumneavoastră – un singur apel API gestionează totul.

Un endpoint diferit față de OCR

Acesta este aspectul care îi derutează adesea pe utilizatori la prima încercare. OCR-ul pur folosește client.ocr.process, în timp ce QnA utilizează endpoint-ul standard de Chat client.chat.complete, cu un mesaj care conține atât un bloc de text, cât și un bloc document_url. Cu alte cuvinte, documentul devine o anexă la întrebarea dumneavoastră, exact ca o imagine într-un schimb multimodal.

import os
from mistralai.client import Mistral

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

# Întrebare despre 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)

Trei moduri de a trimite documentul

Un URL public este cea mai directă metodă, ideală pentru documentele deja accesibile online – cum ar fi o publicație științifică, un raport instituțional sau un PDF găzduit pe site-ul dumneavoastră 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
)

Fișierele locale, pe de altă parte, sunt trimise ca base64. Acesta este modul implicit ori de câte ori un document este confidențial sau stocat în spatele firewall-ului dumneavoastră; nimic nu trebuie publicat pe web pentru a fi interogat.

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
)

În final, există a treia opțiune pentru fișierele deja încărcate prin API-ul Files: încărcați o singură dată cu purpose="ocr", apoi faceți referire la ID-ul rezultat de câte ori este necesar. Pentru un document pe care intenționați să îl interogați de mai multe ori, acest lucru evită reîncărcarea câtorva megabytes la fiecare întrebare.

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
)

Ce model de chat pentru ce întrebare

Parametrul model vă aparține și impactează atât calitatea răspunsului, cât și costul.

ModelProfilCând să îl alegeți
mistral-small-latestRapid și economicSuficient pentru majoritatea întrebărilor
mistral-medium-latestCompromis bunEchilibru între viteză și acuratețe
mistral-large-latestMai precisAnaliză și raționament complex

Alegerea dumneavoastră depinde de complexitatea întrebărilor și de buget: extragerea unei sume de pe o factură nu necesită același model ca compararea regimurilor de răspundere dintre două contracte.

Înlănțuirea întrebărilor

Nu trebuie să puneți totul deodată. Trimiteți documentul în primul mesaj, adăugați răspunsul modelului în istoric, apoi puneți întrebarea de follow-up doar ca text: contextul documentului rămâne în conversație. Aceasta este metoda naturală de a explora un raport – începeți cu un rezumat, apoi aprofundați punctul care vă interesează.

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

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

# Adăugarea răspunsului în istoric
history.append({
    "role": "assistant",
    "content": response.choices[0].message.content
})

# Întrebare de follow-up
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 nu va face QnA pentru dumneavoastră

Patru limitări merită cunoscute înainte de a construi un serviciu pe baza acestei tehnologii. În primul rând, dimensiunea: 50 MB per fișier și un maxim de 1.000 de pagini, ceea ce exclude arhivele mari fără o divizare prealabilă. În al doilea rând, costul, deoarece documentele lungi consumă mulți tokeni de intrare la fiecare întrebare pusă. În al treilea rând, lipsa memoriei persistente înseamnă că trebuie să reconstruiți istoricul dumneavoastră; fiecare apel este independent în afara unei conversații cu mai multe tururi. Cel mai delicat punct este ultimul: LLM interpretează la fel de mult pe cât extrage, ceea ce poate introduce erori în cifrele precise. Pentru o sumă care intră în contabilitate, preferați adnotarea structurată; rezervați QnA pentru înțelegere și sinteză.

Puncte cheie

  • Document QnA utilizează endpoint-ul Chat cu conținut document_url: fie un URL public, fie un PDF codat base64 ca URL de date
  • Fluxul intern este OCR apoi LLM, dar este necesar un singur apel
  • Trei metode de trimitere: URL, base64, fișier încărcat
  • Conversațiile multi-tur permit o analiză aprofundată
  • Alegeți modelul de chat în funcție de complexitatea întrebărilor dumneavoastră