Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Verktyget document_library: Fråga och svara baserat på dina filer

Lektion 11 av 18 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Mistral’s inbyggda RAG
  2. Skapa ett dokumentbibliotek
  3. Ladda upp dokument
  4. Skapa en agent med ett dokumentbibliotek
  5. Fråga dokumenten
  6. Hantera bibliotek
  7. Från intern support till kontraktsanalys
  8. Förbered källor, isolera bibliotek
  9. Viktiga punkter

Lektionen uppdaterad 3 november 2026 baserat på mistralai SDK 3.7.0: biblioteksdokument hanteras via client.beta.libraries.documents (upload, list, delete). Metoderna add_document, list_documents och remove_document från tidigare versioner finns inte längre, och uppladdningar går nu direkt in i biblioteket. Källa: client-python.

Mistral’s inbyggda RAG

Verktyget document_library är ett system för Retrieval-Augmented Generation (RAG) som är direkt inbyggt i Agents API. Din agent får tillgång till dokument du har laddat upp till Mistral Cloud, hämtar relevanta passager och formulerar sitt svar med källhänvisningar. Skillnaden jämfört med en hemmasnickrad RAG-lösning är betydande: du behöver inte hosta en vektordatabas, underhålla en inbäddningspipeline eller finjustera en chunking-strategi. Du laddar helt enkelt upp filer, deklarerar verktyget när du skapar agenten och låter modellen avgöra när den ska fråga biblioteket.

Skapa ett dokumentbibliotek

Ett bibliotek är behållaren som håller dina dokument. Du skapar det med ett enda API-anrop innan du laddar upp några filer.

from mistralai.client import Mistral
import os

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

# Skapa ett bibliotek
library = client.beta.libraries.create(
    name="Teknisk dokumentation",
    description="Produktmanualer och tekniska specifikationer."
)

print(f"Biblioteks-ID: {library.id}")

Anteckna det returnerade ID:t: detta är vad du skickar till agenten. Det finns ingen genväg genom att använda bibliotekets namn. Om ditt team hanterar separata bibliotek för HR, juridik och teknik, spara dessa ID:n i din konfiguration precis som anslutningssträngar.

Ladda upp dokument

Uppladdning sker i två steg: först placeras filen i Files-utrymmet med ett explicit purpose, sedan kopplas den till biblioteket.

# Ladda upp en PDF direkt till biblioteket
with open("product-manual.pdf", "rb") as f:
    document = client.beta.libraries.documents.upload(
        library_id=library.id,
        file={"file_name": "product-manual.pdf", "content": f},
    )

print(f"Dokument {document.id}: {document.processing_status}")

Format som stöds inkluderar PDF, vanlig text och andra vanliga dokumenttyper.

Skapa en agent med ett dokumentbibliotek

agent = client.beta.agents.create(
    model="mistral-medium-latest",
    name="Dokumentationsagent",
    instructions="""Du är en dokumentationsassistent.
- Svara endast med hjälp av dokument från biblioteket
- Citera relevanta passager
- Om informationen inte finns i dokumenten, ange detta tydligt""",
    tools=[{
        "type": "document_library",
        "library_ids": [library.id]
    }]
)

Parametern library_ids är en lista: du kan koppla flera bibliotek till en enda agent. En supportassistent kan till exempel använda både produktdokumentation och interna rutiner. Här är instruktionerna mer än bara trevliga att ha. Utan direktivet att begränsa svar till dokument fyller modellen luckor med sin allmänna kunskap, och du förlorar förmågan att skilja på vad som kommer från dina filer och vad som kommer från annat ställe. Den tredje raden – att uttryckligen ange när information saknas – är vad som förvandlar en pratglad agent till en pålitlig en.

Fråga dokumenten

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Hur fungerar Pixtral 12B:s vision encoder?"
)

for entry in response.outputs:
    if entry.type == "message.output":
        for chunk in entry.content:
            if chunk.type == "text":
                print(chunk.text)
            elif chunk.type == "tool_reference":
                print(f"  [Källa] {chunk.title}")

Precis som vid webbsökning ankommer svaret i bitar (chunks) av två typer. text-bitar innehåller det skrivna svaret; tool_reference-bitar innehåller proveniens, där fältet title håller källdokumentets namn och fältet url tillhandahåller den interna referensen inom det dokumentet. Denna separation låter dig visa svaret och, precis under det, listan över dokument som producerade det.

Denna spårbarhet är inte bara dekorativ. En rådgivare som svarar en kund baserat på en intern rutin måste kunna specificera vilken rutin hen citerar; en jurist som förlitar sig på ett kontrakt måste kunna spåra tillbaka till just det kontraktet. Utan källhänvisningar producerar ett RAG-system verifierbara påståenden.

Hantera bibliotek

# Lista bibliotek
libraries = client.beta.libraries.list()
for lib in libraries.data:
    print(f"{lib.name} ({lib.id})")

# Lista dokument i ett bibliotek
documents = client.beta.libraries.documents.list(library_id=library.id)
for doc in documents.data:
    print(f"{doc.name} — {doc.size} bytes")

# Ta bort ett dokument från biblioteket
client.beta.libraries.documents.delete(
    library_id=library.id,
    document_id=document.id
)

# Ta bort biblioteket
client.beta.libraries.delete(library_id=library.id)

Att ta bort dokument är den operation som oftast förbises, och den blir dyrast när den glöms bort. En föråldrad version av en prislista eller rutin förblir citerbar av agenten på obestämd tid och bär alla tecken på legitimitet eftersom den är källhänvisad. Gör borttagning av dokument till en reflex varje gång du publicerar en ny version.

Från intern support till kontraktsanalys

Intern support är det mest omedelbara användningsfallet: medarbetare ställer HR-frågor på naturligt språk istället för att gräva i ett intranät.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Intern support",
    instructions="Svara på medarbetarfrågor med hjälp av HR-dokumentationsbasen.",
    tools=[{"type": "document_library", "library_ids": [rh_library.id]}]
)

Kontraktsanalys förändrar paradigm: agenten hämtar inte bara, den granskar. Här beskriver instruktionerna en uppgift, inte bara ett omfång.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Kontraktsanalytiker",
    instructions="""Analysera uppladdade kontrakt.
- Identifiera viktiga klausuler
- Flagga potentiella risker
- Jämför mot branschstandarder""",
    tools=[{"type": "document_library", "library_ids": [contrats_library.id]}]
)

Slutligen illustrerar en produktkunskapsbas kombinationen av verktyg: officiell dokumentation har företräde, och webbsökning fyller luckorna när dokumentationen inte täcker en fråga.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Produktexpert",
    instructions="Svara på tekniska frågor om våra produkter baserat på officiell dokumentation.",
    tools=[
        {"type": "document_library", "library_ids": [docs_library.id]},
        {"type": "web_search"}  # Fallback om dokumentationen är otillräcklig
    ]
)

Förbered källor, isolera bibliotek

RAG-kvalitet bestäms innan du ens anropar API:t. En strukturerad PDF med tydliga rubriker, underrubriker och distinkta stycken chunkas och hämtas betydligt bättre än en utplattad skanning eller ett dokument där all logik finns i layouten. Därefter bör du separera dina bibliotek efter domän istället för att skapa en enda catch-all-hink. En agent som bara är kopplad till det juridiska biblioteket riskerar inte att citera ett HR-memo för att svara på en kontraktsfråga. Dessa två beslut – att putsa källstrukturen och isolera bibliotek – påverkar slutresultatet mer än någon modellfinjustering.

Viktiga punkter

  • document_library är inbyggd RAG – inget behov av att hantera egen vektorinfrastruktur
  • Skapa tematiska bibliotek och ladda upp dokument via Files API
  • Svar citerar relevanta passager med hjälp av tool_reference-bitar
  • Du kan koppla flera bibliotek till en enda agent
  • Kombinera med andra verktyg för omfattande täckning