Анализ документа с помощью нейросети: разбор PDF любого размера без потери структуры

Вопрос, который задают про анализ документов чаще всего: он правда читает файл целиком или выдёргивает случайные предложения, как сервисы разбора текста десятилетней давности? Ниже — что вы реально получаете после загрузки: разбор, который держит структуру документа целиком, что происходит с очень длинными файлами и как чат находит нужный фрагмент по смыслу, а не по точному слову.

Что делает анализатор PDF

Вы загружаете файл, сервис возвращает структурированный разбор: обзор, разбивку по разделам, ключевые тезисы и цифры. Рядом появляется чат по документу. Разбор и чат открываются в блокноте, куда позже можно добавить другие источники: ещё документ, видео с YouTube или ссылку на статью. Принципиальный момент, который отличает это от сервисов прошлого поколения: модель не выдёргивает первые предложения абзацев и не считает частоту слов. Она читает текст и разбирается, как он устроен, где заканчивается один раздел и начинается другой, какой пункт кому подчинён. Именно поэтому пункт 3.2 в результате оказывается внутри раздела 3, а не рядом с ним.

Короткая инструкция: как проанализировать PDF

Кто реально этим пользуется

Файл, который попадает в анализатор, бывает разным: научная статья на 40 страниц, годовой отчёт на 300, список литературы к курсу, техническое задание, отчёт для клиента, который к концу дня должен превратиться в брифинг на два абзаца. Разбор, чат и объяснение простыми словами работают одинаково независимо от типа документа, потому что модель читает структуру и смысл, а не подстраивается под жанр файла. Меняется то, что вы спрашиваете дальше: исследователю нужен аргумент и доказательства под ним, аналитику нужны цифры и их источник в тексте, студенту нужен материал, который реально можно пройти за ночь перед экзаменом, менеджеру продукта нужно техзадание, превращённое в три пункта, по которым можно действовать, не открывая исходный файл.

Что на самом деле значит «читать структуру»

Документ с нумерованными разделами, вложенными пунктами или приложением, которое переопределяет термин из второго раздела, для читателя, который знает формат, не выглядит стеной абзацев, и модель работает так же. Ссылка «см. примечание 14» в финансовом отчёте связывается с самим примечанием, а не остаётся оторванной цитатой. Указатель «см. 3.2» внутри седьмого раздела технического задания попадает в разбор на нужное место, а не выбрасывается как шум. В этом и есть разница между чтением и сопоставлением предложений по образцу: второй подход считает каждый абзац одинаково не связанным с остальными, а большинство реальных документов устроены ровно наоборот, и не случайно.

Документ разбирается целиком, а не по кусочкам

Это главное, чего обычно не ожидают. Почти любой реальный документ, договор на 80 страниц, диссертация, годовой отчёт, разбирается одним проходом, целиком, без предварительной нарезки. Разбор видит весь текст сразу и поэтому может связать вывод на 200-й странице с оговоркой на 12-й, вместо того чтобы разбирать их как две несвязанные части одного файла.

Как вытащить цифры из длинного отчёта, не потеряв, откуда они

В годовом отчёте на 200 страниц прогноз по выручке лежит в резюме для руководства, реальная разбивка по кварталам — в таблице на 60-й странице, а сноска на 140-й меняет то, как эту цифру нужно читать. Инструменты, которые разбирают документ частями, регулярно теряют именно такие сноски: часть с прогнозом не «знает», что где-то дальше есть оговорка, которая его уточняет. Поскольку весь отчёт разбирается одним проходом, вопрос в чате про прогноз выручки поднимает и таблицу, и сноску вместе, а не только тот фрагмент, где случайно встретилось слово «выручка». Та же логика работает для раздела методологии научной статьи и её результатов или для условий договора и приложения, которое тихо переопределяет одно из них.

Что происходит с документом, который не влезает

Для документа, который в разы длиннее обычного отчёта или книги, разбор идёт в несколько проходов по частям, а результаты сводятся в один. Это заметно хуже единого прохода: на стыке частей часть связей между ними теряется, потому что вторую половину аргумента модель читает уже без первой перед глазами. Поэтому такой режим включается только тогда, когда иначе никак, а не как основной сценарий. На практике до него доходят единицы документов из сотни.

Что такое 200+ страниц на практике

Двести страниц звучат как случайный порог, пока не представить, что в него на самом деле попадает: докторская диссертация, полный комплаенс-регламент, год ежемесячных отчётов, сшитых в один файл, PDF размером с роман, который кто-то экспортировал со сканера. Всё это укладывается в один проход с запасом. Разбор частями, описанный выше, нужен для более редкого случая: многотомный отчёт или год расшифровок, сшитых в один файл, документ, который на порядок длиннее и такого.

Уровни детализации меняют не то, что вы думаете

Выбрать краткий, средний или подробный уровень вручную можно в расширении Cruxly для Chrome перед анализом; в блокноте на сайте каждый разбор выходит на среднем уровне по умолчанию. В любом случае уровень управляет длиной ответа, а не длиной прочитанного: документ разбирается целиком независимо от уровня, меняется только то, насколько подробно пишется результат. Разница практическая: «краткий» не значит «прочитано по диагонали», это значит «прочитано всё и написано сжато». Путаница тут стоит дорого. Люди ставят подробный уровень в надежде, что тогда разбор станет внимательнее, хотя читает он одинаково, а меняется только развёрнутость итогового текста.

Чат по документу: поиск по смыслу

Сразу после успешного анализа документ становится доступен для поиска по смыслу, а не только по точному совпадению слов. Отсюда главное практическое следствие: запрос про «расторжение» находит пункт про «прекращение обязательств», хотя ни одно слово не совпало. Этот поиск живёт сутки и удаляется вместе с несохранённым анализом.

Как устроен чат по документу

Как получить от чата больше, чем ответ на один вопрос

Чат не ограничен одним вопросом об одном факте. Попросите перечислить все места, где встречается конкретный термин или цифра по всему документу, сравнить два раздела между собой или набросать краткий план одной части для своих заметок. Каждый ответ опирается на тот же поиск по всему документу, поэтому уточняющий вопрос не требует заново пересказывать контекст, как при вставке текста в обычный чат-бот. Лимит в два, четыре или неограниченное число вопросов по тарифу действует на весь разговор про документ, а не на то, насколько узко сформулирован каждый вопрос.

Формулировку из ответа чата, которую жалко потерять, можно сразу сохранить как отдельную мысль во втором мозге Cruxly — она свяжется по смыслу с другими сохранёнными идеями, даже если те пришли из другого документа или видео.

Что такое второй мозг Cruxly

Против Ctrl+F и чтения по диагонали

Где анализатор выигрывает безоговорочно, так это отбор: решить, какие из двадцати PDF во входящих заслуживают внимания, или сориентироваться в длинном отчёте перед тем, как читать нужные разделы. Ctrl+F быстрый и бесплатный, но находит только те слова, которые вы уже знаете. Он не ответит, в чём главный аргумент статьи, и не покажет риск, описанный другими словами, чем те, что вы искали. Конкретный пример: поиск по слову «неустойка» пропустит фрагмент, который называется «заранее оцененные убытки», и пропустит его именно тогда, когда это важнее всего. Разбор читает фрагмент по тому, что в нём написано, а не только по словам, которые в нём встретились. Где анализатор проигрывает: документ, на который надо опереться абсолютно точно. Договор перед подписанием читают целиком, и разбор тут отправная точка, а не замена чтению.

Как найти риски в договоре с помощью ИИ

Как получить лучший результат по формату файла

Лучше всего работают файлы, экспортированные из текстового редактора: Word, Google Docs, LaTeX. В таких файлах разметка уже есть, и структура достаётся аккуратно. Для сканов и фотографий документа результат зависит от качества распознавания текста: простой тест перед загрузкой: попробовать выделить текст мышкой. Если выделяется, файл текстовый и разбирается по максимуму точно. Сложные таблицы с объединёнными ячейками, схемы и диаграммы разбираются по содержанию текста; для проверки конкретных цифр из таблицы удобно уточнить их в чате. Скан, сфотографированный под углом или на телефон с низким разрешением, распознаётся хуже, чем та же страница, пропущенная через планшетный сканер или выгруженная встроенным сканером офисного принтера, потому что качество распознавания текста целиком зависит от чёткости исходного изображения, а не от того, что происходит на этапе анализа. Если тест с выделением текста мышкой ничего не даёт, это сигнал поискать скан почище, а не рассчитывать, что разбор компенсирует то, что дал бы обычный текстовый слой.

Объяснение вместо краткого разбора

Отдельный сценарий, который путают с кратким разбором: проблема не в длине документа, а в плотности. Три страницы медицинского заключения или патентной формулы читаются дольше, чем тридцать страниц отчёта. Сокращать тут нечего, нужно переложить на человеческий язык. Это другой запрос к модели и другой результат.

Как объяснить PDF простыми словами

Разобраться со статьёй, на внимательное чтение которой нет времени

Плотный раздел методологии или результат, перегруженный доказательствами, не нужно сокращать. Его нужно пересказать простым языком, и это другая задача, чем краткий разбор. Попросите чат провести через конкретный раздел, доказательство или незнакомый термин так, как спросили бы коллегу по лаборатории, который уже прочитал статью. Ответ строится на тексте и обозначениях именно этой статьи, а не на общих знаниях модели о теме, поэтому объясняет, что утверждает конкретно эта работа и как она к этому приходит, а не общий учебниковый пересказ темы.

Список литературы к курсу перед экзаменом

Хрестоматия курса или стопка заданных глав сжимается в такой же разбор, как и любой другой документ: обзор, структура по разделам, тезисы, которые реально стоит запомнить. Основную работу здесь делает чат, потому что подготовка к экзамену — это в основном вопросы, а не чтение: попросите объяснить термин, который никак не укладывается, разобрать пример из текста другим способом или собрать все упоминания одного понятия по всей длинной главе. Трёх разборов в сутки на бесплатном «Учебном» тарифе хватает, чтобы проходить по главе за вечер, не платя ничего.

Превратить отчёт в то, что можно передать дальше

Отчёт для клиента или техническое задание обычно нужно превратить в нечто короче для того, кто оригинал читать не будет: брифинг, три пункта для летучки, резюме для письма. Большую часть этой работы уже делает разбор по разделам, а короткая версия по одному разделу, одному требованию или одному решению, запрошенная в чате, избавляет от пятого за неделю перечитывания источника. Если результат дальше должен попасть в документ как файл, документ нужно сначала сохранить через расширение Cruxly для Chrome, и на тарифе Pro готовый разбор выгружается в DOCX или Markdown с сайта, без перепечатывания с нуля.

Сравнение нескольких документов

Добавьте документы источниками в один блокнот, и общий чат по блокноту будет отвечать сразу по всем сразу, а не по одному изолированно. Частый случай: три предложения от поставщиков или четыре квартальных отчёта подряд, где реальная задача — найти, что изменилось между ними. Один вопрос в общем чате блокнота, «в чём разница между этими предложениями» или «что изменилось от квартала к кварталу», получает сопоставленный ответ по всем документам сразу, вместо того чтобы открывать все четыре PDF и искать глазами абзац, который сдвинулся, или вручную сверять отдельные разборы друг с другом.

Один PDF, несколько документов, сшитых вместе

Договор с приложениями, отчёт вместе со всеми аппендиксами, набор форм, сшитый в один файл перед загрузкой: всё это не нужно предварительно разбивать. Модель читает файл целиком так, как он структурирован, включая заголовки разделов, и разбор отражает эту структуру, а не считает 80 страниц приложения продолжением основного текста. Если вопрос в чате касается конкретной части, упоминание нужного приложения или аппендикса в вопросе даёт более точный ответ, чем вопрос про документ вообще.

Как получить точный результат

Что реально влияет. Загружайте текстовый PDF, а не скан, если есть выбор: это влияет сильнее всех остальных пунктов вместе взятых. Не жмите подробный уровень в надежде на внимательность, читает модель одинаково. Если анализ упустил нужное, не перезапускайте его целиком, спросите в чате: поиск по смыслу найдёт кусок, который не попал в краткий разбор.

Языки и перевод

Документ на одном языке, а разбор нужен на другом, это обычная ситуация: английская статья, разбор по-русски. В блокноте на сайте это работает автоматически, но в одну сторону: разбор всегда выходит на языке интерфейса сайта, независимо от языка документа, менять его вручную негде. Английская статья на русском сайте разбирается по-русски, та же статья на английской версии сайта — по-английски. Если нужен конкретный язык за пределами этой пары, например испанский договор разобрать по-немецки, для этого есть расширение Cruxly для Chrome: там язык выбирается в настройках перед анализом из 12 вариантов, и перевод так же происходит внутри одного прохода, без отдельного шага перевода документа до анализа. Чат в обоих случаях отвечает на языке вопроса независимо от языка документа.

Что важно знать перед началом работы

Разбор отражает содержимое документа как есть: если в тексте написана неточность, она попадёт и в разбор, потому что модель пересказывает документ, а не проверяет факты внешним источником. Для договора разбор ускоряет чтение, но финальную юридическую оценку того, что конкретный пункт значит в связке с остальными, должен делать человек.

Экспорт результата

Если нужен именно файл, документ анализируется и сохраняется через расширение Cruxly для Chrome, и на тарифе Pro готовый разбор выгружается с сайта в PDF, DOCX или Markdown. Markdown удобен, если разбор едет в заметки или вики, DOCX, если его дальше правят руками.

Что происходит с файлом

Несохранённый анализ вместе с поисковым индексом удаляется через сутки автоматически. Сохранённый живёт, пока вы сами его не удалите. Текст документа уходит в модель через провайдера, иначе она не смогла бы по нему ответить, и так устроен любой сервис этого класса. Здравое правило: документы под настоящим NDA не грузите никуда, включая нас. Договор, который вам и так прислали на согласование, это риск другого порядка.

Политика конфиденциальности

Лимиты по тарифам

Гость без регистрации: один документ в сутки, до 5 МБ, два вопроса в чате, результат не сохраняется. Бесплатный «Учебный» после регистрации: тот же один документ в сутки, но до 15 МБ, четыре вопроса вместо двух, и результаты сохраняются. Pro: без лимита на количество документов и вопросов, файлы до 300 МБ, а для документов, сохранённых через расширение Cruxly для Chrome, — экспорт в PDF, DOCX и Markdown. Мегабайты плохо переводятся в страницы: текстовый PDF на триста страниц может весить пару мегабайт, а скан десяти страниц все двадцать.

Какой тариф подходит, зависит от того, как часто документы вообще появляются на столе, а не от того, насколько важен конкретный файл. Проверить сервис на одном файле, договоре, который только что прислали, отчёте, который нужен сегодня, укладывается в гостевой доступ без каких-либо обязательств. Глава или документ в день на протяжении семестра или загруженного квартала — это ровно то, под что сделан «Учебный», и он бесплатен постоянно, а не как пробный период с датой окончания. Pro окупается, когда документы перестают быть редкостью: ежедневные отчёты, стопка договоров за неделю, всё, где дневной лимит становится реальным узким местом, а не сама работа.

Тарифы

Все тарифы и что входит в каждый — на отдельной странице. Держать их здесь смысла нет: это руководство про то, как устроен разбор.

Тарифы Cruxly

Частые ошибки

Грузить скан и ждать точности текстового PDF. Считать уверенный тон признаком точности: тон у модели всегда уверенный. Принимать разбор договора за юридическое заключение. Задавать чату вопросы, на которые уже ответил анализ.

Если из всего этого запомнить один пункт, пусть это будет вот что: модель читает документ целиком, а не по кусочкам, и именно в этом разница между ответом, который реально опирается на ваш файл, и ответом, который лишь звучит так, будто опирается. Возьмите документ, который сейчас лежит нечитанным, и прогоните его.