Агенты для вопросов и ответов по нескольким документам
Индексация корпуса документов и ответы на вопросы по всем документам.
«Агенты для вопросов и ответов по нескольким документам» — бесплатный урок AI Agents на CoddyKit. Это урок 3 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения AI Agents, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс AI Agents содержит 4 уроков всего.
Обзор вопросов и ответов по нескольким документам
Агент вопросов и ответов по нескольким документам отвечает на вопросы, извлекая релевантное содержимое из коллекции из N документов, обобщая ответ и связывая каждое утверждение с его источником.
В отличие от агента для одного документа, агент для нескольких документов должен обрабатывать противоречивую информацию из разных источников и определять, какие документы наиболее релевантны вопросу.
Индексация нескольких документов
Перед ответом на вопросы все документы необходимо проиндексировать: разобрать, разделить на фрагменты, векторизовать и сохранить в векторной базе данных. Каждый фрагмент сохраняется с метаданными, связывающими его с исходным документом.
import chromadb
from chromadb.utils import embedding_functions
import os
client = chromadb.PersistentClient(path='./doc_index')
ef = embedding_functions.OpenAIEmbeddingFunction(
api_key=os.getenv('OPENAI_API_KEY'),
model_name='text-embedding-3-small'
)
collection = client.get_or_create_collection('documents', embedding_function=ef)
def index_document(doc_id, doc_path, doc_title):
# Parse and chunk
chunks = pdf_to_chunks(doc_path, chunk_size=800, overlap=150)
for i, chunk in enumerate(chunks):
chunk_id = f'{doc_id}_chunk_{i}'
collection.add(
ids=[chunk_id],
documents=[chunk['text']],
metadatas=[{
'doc_id': doc_id,
'title': doc_title,
'page': chunk['page'],
'source_file': doc_path
}]
)
print(f'Indexed {len(chunks)} chunks from: {doc_title}')Извлечение релевантных фрагментов
При получении вопроса запросите в векторном хранилище фрагменты с наибольшим смысловым сходством из всех проиндексированных документов. Параметр n_results определяет количество извлекаемых фрагментов.
def retrieve_relevant_chunks(question, n_results=8):
results = collection.query(
query_texts=[question],
n_results=n_results,
include=['documents', 'metadatas', 'distances']
)
chunks = []
for i in range(len(results['documents'][0])):
chunks.append({
'text': results['documents'][0][i],
'metadata': results['metadatas'][0][i],
'distance': results['distances'][0][i],
'relevance': 1 - results['distances'][0][i] # cosine similarity proxy
})
# Sort by relevance
chunks.sort(key=lambda x: x['relevance'], reverse=True)
return chunksУказание источников в запросе
Передавая извлечённые фрагменты в LLM, пометьте каждый фрагмент источником документа. После этого LLM сможет цитировать источники с помощью пронумерованных ссылок в ответе.
def format_chunks_for_prompt(chunks, max_chars=4000):
sections = []
used_chars = 0
for i, chunk in enumerate(chunks, 1):
meta = chunk['metadata']
header = f"[Source {i}: {meta['title']}, page {meta.get('page', '?')}]"
content = chunk['text'][:600]
entry = f'{header}\n{content}'
if used_chars + len(entry) > max_chars:
break
sections.append(entry)
used_chars += len(entry)
return '\n\n'.join(sections)
QA_PROMPT = '''Answer the question based on the provided document excerpts.
Cite sources as [Source N]. If sources conflict, mention both views.
{context}
Question: {question}
Answer:'''
def answer_question(question):
chunks = retrieve_relevant_chunks(question, n_results=6)
context = format_chunks_for_prompt(chunks)
return llm_call(QA_PROMPT.format(context=context, question=question))Рассуждение по нескольким документам
Некоторые вопросы требуют обобщения информации из нескольких документов, а не просто поиска одного подходящего фрагмента. Например: «В каком из трёх договоров предусмотрена наименьшая неустойка?»
Используйте двухэтапный подход: извлеките релевантные фрагменты из каждого документа, а затем попросите LLM сравнить их и обобщить информацию.
def cross_document_compare(question, doc_ids):
# Retrieve best chunks per document
per_doc_chunks = {}
for doc_id in doc_ids:
results = collection.query(
query_texts=[question],
n_results=3,
where={'doc_id': {'$eq': doc_id}} # filter by document
)
if results['documents'][0]:
per_doc_chunks[doc_id] = results['documents'][0]
# Format with document labels
context_parts = []
for doc_id, texts in per_doc_chunks.items():
doc_label = f'Document {doc_id}'
combined = ' '.join(texts[:2])[:600]
context_parts.append(f'== {doc_label} ==\n{combined}')
comparison_context = '\n\n'.join(context_parts)
return llm_call(f'Compare these documents to answer: {question}\n\n{comparison_context}')Обработка противоречивой информации
В разных документах могут содержаться противоречивые факты: в одном договоре указано, что платёж должен быть внесён в течение 30 дней, а в другом — 60 дней. Агент должен обнаруживать такие противоречия и сообщать о них, а не молча выбирать один вариант.
CONFLICT_PROMPT = '''You are analyzing multiple document sources.
Some may contain conflicting information.
For each factual claim you make:
1. Cite the source document
2. If another source contradicts it, explicitly note the conflict
3. Indicate which source you believe is more authoritative, if possible
Document excerpts:
{context}
Question: {question}
Answer (with conflict notes where applicable):'''
def answer_with_conflict_detection(question):
chunks = retrieve_relevant_chunks(question, n_results=8)
context = format_chunks_for_prompt(chunks)
return llm_call(CONFLICT_PROMPT.format(
context=context, question=question
))Фильтрация по порогу релевантности
Не все извлечённые фрагменты действительно релевантны: у смыслового сходства есть компромисс между полнотой и точностью. Установите минимальный порог релевантности, чтобы исключить слабо подходящие фрагменты, которые могут ввести LLM в заблуждение.
MIN_RELEVANCE = 0.72 # cosine similarity threshold
def retrieve_above_threshold(question, n_results=10, threshold=MIN_RELEVANCE):
chunks = retrieve_relevant_chunks(question, n_results=n_results)
relevant = [c for c in chunks if c['relevance'] >= threshold]
print(f'Retrieved: {len(chunks)}, Above threshold: {len(relevant)}')
if not relevant:
# Fallback: use top 3 even if below threshold
return chunks[:3]
return relevant
def answer_with_threshold(question):
chunks = retrieve_above_threshold(question)
if not chunks:
return 'I could not find relevant information in the indexed documents.'
context = format_chunks_for_prompt(chunks)
return llm_call(QA_PROMPT.format(context=context, question=question))Формирование цитат источников
После формирования ответа извлеките названия процитированных исходных документов и верните их в виде структурированного списка. Это помогает пользователям находить исходные документы для проверки.
import re
def extract_citations(answer_text, chunks):
# Find all [Source N] references in the answer
cited_nums = set(int(m) for m in re.findall(r'\[Source (\d+)\]', answer_text))
citations = []
for num in sorted(cited_nums):
idx = num - 1
if idx < len(chunks):
meta = chunks[idx]['metadata']
citations.append({
'source_num': num,
'title': meta.get('title', 'Unknown'),
'page': meta.get('page', 'N/A'),
'file': meta.get('source_file', '')
})
return citations
def answer_with_citations(question):
chunks = retrieve_above_threshold(question)
context = format_chunks_for_prompt(chunks)
answer = llm_call(QA_PROMPT.format(context=context, question=question))
citations = extract_citations(answer, chunks)
return {'answer': answer, 'citations': citations}Переранжирование с помощью перекрёстного кодировщика
Первичный векторный поиск использует двухбашенные кодировщики (быстрые, но приближённые). Перекрёстный кодировщик переранжирует лучшие результаты, оценивая каждую пару (запрос, фрагмент) совместно: это точнее, но медленнее. Такой двухэтапный подход повышает качество итогового ответа.
# pip install sentence-transformers
from sentence_transformers import CrossEncoder
reranker = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
def rerank_chunks(question, chunks, top_k=4):
# Score each chunk against the question
pairs = [(question, c['text']) for c in chunks]
scores = reranker.predict(pairs)
# Attach scores and re-sort
scored_chunks = list(zip(scores, chunks))
scored_chunks.sort(key=lambda x: x[0], reverse=True)
top_chunks = [chunk for _, chunk in scored_chunks[:top_k]]
print(f'Re-ranked {len(chunks)} chunks -> kept top {top_k}')
return top_chunks
def answer_with_reranking(question):
# Retrieve more initially
initial_chunks = retrieve_relevant_chunks(question, n_results=12)
# Re-rank for precision
top_chunks = rerank_chunks(question, initial_chunks, top_k=4)
context = format_chunks_for_prompt(top_chunks)
return llm_call(QA_PROMPT.format(context=context, question=question))Фильтрация метаданных на уровне документа
Если пользователь указывает конкретный документ или диапазон дат, выполняйте фильтрацию на уровне метаданных до векторного поиска. Это не позволяет нерелевантным документам искажать результаты.
def retrieve_filtered(question, filters=None, n_results=8):
query_kwargs = {
'query_texts': [question],
'n_results': n_results,
'include': ['documents', 'metadatas', 'distances']
}
# ChromaDB metadata filters
# Example: {'doc_id': 'contract_2024', 'year': {'$gte': 2023}}
if filters:
query_kwargs['where'] = filters
results = collection.query(**query_kwargs)
return [
{'text': t, 'metadata': m, 'relevance': 1 - d}
for t, m, d in zip(
results['documents'][0],
results['metadatas'][0],
results['distances'][0]
)
]
# Example usage
chunks = retrieve_filtered(
'What are the payment terms?',
filters={'doc_id': {'$in': ['contract_a', 'contract_b']}}
)Обновление индекса новыми документами
Коллекции документов со временем меняются: добавляются новые файлы, старые обновляются. Конвейер индексации должен поддерживать инкрементальные обновления: добавлять новые документы, повторно индексировать обновлённые и удалять удалённые.
import os
import hashlib
# Track indexed documents by file hash
index_registry = {} # {filepath: {hash, doc_id, indexed_at}}
def file_hash(filepath):
with open(filepath, 'rb') as f:
return hashlib.md5(f.read()).hexdigest()
def index_if_new_or_changed(filepath, title):
fhash = file_hash(filepath)
existing = index_registry.get(filepath)
if existing and existing['hash'] == fhash:
print(f'Skipping unchanged: {title}')
return existing['doc_id']
if existing:
# Remove old chunks from vector store
collection.delete(where={'doc_id': {'': existing['doc_id']}})
print(f'Re-indexing updated: {title}')
else:
print(f'Indexing new: {title}')
doc_id = hashlib.md5(filepath.encode()).hexdigest()[:8]
index_document(doc_id, filepath, title)
index_registry[filepath] = {'hash': fhash, 'doc_id': doc_id}
return doc_id
def sync_document_directory(directory):
pdf_files = [f for f in os.listdir(directory) if f.endswith('.pdf')]
for fname in pdf_files:
fpath = os.path.join(directory, fname)
title = fname.replace('.pdf', '').replace('_', ' ').title()
index_if_new_or_changed(fpath, title)
print(f'Sync complete: {len(pdf_files)} files processed')Проверка знаний
От попадания чего помогает защитить система порог релевантности в системе вопросов и ответов по нескольким документам, использующей генерацию с дополнением извлечёнными данными?
Итоги: агенты для вопросов и ответов по нескольким документам
Вопросы и ответы по нескольким документам: проиндексировать все документы (разобрать → разделить на фрагменты → векторизовать → сохранить с метаданными) → извлечь релевантные фрагменты из всех документов → добавить метки источников → обобщить ответ с цитатами.
Продвинутые методы: сравнение документов для сравнительных вопросов, запросы с обнаружением противоречий, фильтрация по порогу релевантности, переранжирование с помощью перекрёстного кодировщика для повышения точности и фильтрация метаданных для ограничения запросов конкретными документами или диапазонами дат.
Часто задаваемые вопросы
Урок «Агенты для вопросов и ответов по нескольким документам» бесплатный?
Да — полный текст урока «Агенты для вопросов и ответов по нескольким документам» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс AI Agents, подпишись на CoddyKit PRO. Курс AI Agents содержит 4 уроков всего.
Чему я научусь в уроке «Агенты для вопросов и ответов по нескольким документам»?
Индексация корпуса документов и ответы на вопросы по всем документам. Ты практикуешь AI Agents с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать AI Agents?
Предыдущий опыт не требуется. AI Agents на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 3 из 4.
Сколько времени занимает урок «Агенты для вопросов и ответов по нескольким документам»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке AI Agents?
Да. Каждый урок AI Agents включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Разбор PDF с помощью PyMuPDF и pdfplumber
- OCR для отсканированных документов
- Агенты для вопросов и ответов по нескольким документам
- Классификация и маршрутизация документов