Use Cases

Building Blocks

Block	What it does
Chat API	OpenAI-compatible LLM (Lapa 32K, Mamay 64K, Рада)
Rukopys OCR	Ukrainian handwriting → structured JSON regions
Web search	Tavily→Exa→DDG, Russian content filtered
MCP connectors	Prozorro tenders + Держстат 119 datasets live in chat

1. OCR + LLM Post-processing

Digitise handwritten documents and extract structured data (dates, names, scores, sums).

import httpx, base64, json

def ocr_then_extract(image_path: str, prompt: str, api_key: str) -> dict:
    """Two-step: OCR via /chat/stream, then LLM extraction."""
    with open(image_path, "rb") as f:
        b64 = base64.b64encode(f.read()).decode()

    headers = {"Authorization": f"Bearer {api_key}"}

    # Step 1 — OCR: send image to rukopys-ocr
    ocr_resp = httpx.post(
        "https://app.lapathoniia.top/chat/stream",
        headers=headers,
        json={
            "message": "Розпізнай текст",
            "model": "rukopys-ocr",
            "session_id": "ocr-pipeline",
            "user_id": "agent",
            "web_search": False,
            "connectors": False,
            "chat_history": [],
            "images": [{"base64": b64, "mime_type": "image/jpeg"}],
        },
    )
    ocr_text = "".join(
        json.loads(l[6:])["text"]
        for l in ocr_resp.iter_lines()
        if l.startswith("data: ") and "text" in json.loads(l[6:])
    )

    # Step 2 — Extract: send OCR text to MamayLM with structured prompt
    llm_resp = httpx.post(
        "https://app.lapathoniia.top/chat/stream",
        headers=headers,
        json={
            "message": f"{prompt}\n\nText:\n{ocr_text}",
            "model": "MamayLM-Gemma-3-27B-IT-v2.0",
            "session_id": "ocr-pipeline",
            "user_id": "agent",
            "web_search": False,
            "connectors": False,
            "chat_history": [],
        },
    )
    result_text = "".join(
        json.loads(l[6:])["text"]
        for l in llm_resp.iter_lines()
        if l.startswith("data: ") and "text" in json.loads(l[6:])
    )
    return json.loads(result_text)

# Example: grade extraction from handwritten tests
result = ocr_then_extract(
    "test.jpg",
    "Extract: student name, date, subject, score (0-100). Return JSON only.",
    api_key="sk-...",
)
# → {"student": "Ivan Petrenko", "date": "2024-05-12", "subject": "Math", "score": 87}

Applications: academic scoring · contract parsing · medical records · archival research

2. RAG (Retrieval-Augmented Generation)

Q&A over document corpora with Lapathoniia as LLM backend.

from openai import OpenAI
import chromadb

# base_url must point to api.lapathoniia.top/v1
client = OpenAI(api_key="sk-...", base_url="https://api.lapathoniia.top/v1")
collection = chromadb.Client().get_or_create_collection("docs")

def rag_query(question: str) -> str:
    results = collection.query(query_texts=[question], n_results=5)
    context = "\n\n".join(results["documents"][0])

    response = client.chat.completions.create(
        model="MamayLM-Gemma-3-27B-IT-v2.0",
        messages=[
            {"role": "system", "content": f"Answer based on:\n\n{context}"},
            {"role": "user", "content": question},
        ],
    )
    return response.choices[0].message.content

Applications: legal Q&A · internal knowledge base · Ukrainian legislation · technical docs

3. MCP Connectors

Query live Ukrainian government data in natural language.

import httpx, json

def query_prozorro(question: str, api_key: str) -> str:
    resp = httpx.post(
        "https://app.lapathoniia.top/chat/stream",
        headers={"Authorization": f"Bearer {api_key}"},
        json={
            "message": question,
            "model": "hybrid",
            "session_id": "procurement",
            "user_id": "analyst",
            "web_search": False,
            "connectors": {"prozorro": True, "stats": False},
            "chat_history": [],
        },
    )
    return "".join(
        json.loads(l[6:])["text"]
        for l in resp.iter_lines()
        if l.startswith("data: ") and "text" in json.loads(l[6:])
    )

result = query_prozorro("Find Ukrzaliznytsia tenders sorted by amount")
# → markdown table: name, amount, date, winner, link

Applications: procurement monitoring · budget transparency dashboards · economic research · journalism fact-checking

4. Web Search in Pipelines

Enrich answers with current web data. All Russian sources automatically filtered.

def search_and_answer(query: str, api_key: str) -> tuple[str, list]:
    resp = httpx.post(
        "https://app.lapathoniia.top/chat/stream",
        headers={"Authorization": f"Bearer {api_key}"},
        json={
            "message": query,
            "model": "MamayLM-Gemma-3-27B-IT-v2.0",
            "session_id": "research",
            "user_id": "agent",
            "web_search": True,
            "connectors": False,
            "chat_history": [],
        },
    )
    text, sources = [], []
    for line in resp.iter_lines():
        if line.startswith("data: "):
            d = json.loads(line[6:])
            if "text" in d: text.append(d["text"])
            if "sources" in d: sources = d["sources"]
    return "".join(text), sources

Applications: news monitoring · competitive intelligence · fact-checking · research agent

5. Batch Processing Pipeline

Process entire folders of documents, combine OCR + LLM + analytics.

import httpx, json, time

def batch_ocr_pipeline(drive_folder_id: str, api_key: str) -> list[dict]:
    """Submit all files in a Drive folder through OCR → LLM pipeline."""
    resp = httpx.post(
        "https://app.lapathoniia.top/batch/jobs",
        headers={"Authorization": f"Bearer {api_key}"},
        json={
            "job_type": "auto",          # auto-detects ocr vs chat per file
            "drive": {"folder_id": drive_folder_id},
            "pipeline": "ocr_then_chat",
            "pipeline_instruction": "Extract: date, signatories, amounts. Return JSON.",
            "pipeline_model": "MamayLM-Gemma-3-27B-IT-v2.0",
        },
    )
    # Returns array of job objects — one per file
    return resp.json()


def poll_job(job_id: str, api_key: str) -> dict:
    """Poll until a single job is done."""
    while True:
        status = httpx.get(
            f"https://app.lapathoniia.top/batch/jobs/{job_id}",
            headers={"Authorization": f"Bearer {api_key}"},
        ).json()
        if status["status"] == "done":
            return status
        time.sleep(5)

job_type values: ocr (force OCR), chat (LLM only), auto (detect per file from extension/MIME). Input: either inline (messages array) or drive (file_id or folder_id).

Building Blocks

Блок	Що робить
Chat API	OpenAI-сумісний LLM (Lapa 32K, Mamay 64K, Рада)
Rukopys OCR	Рукопис → структуровані JSON регіони
Веб-пошук	Tavily→Exa→DDG, фільтрація російського контенту
MCP конектори	Prozorro тендери + Держстат 119 датасетів живі в чаті

1. OCR + LLM постобробка

Оцифруйте рукописні документи та витягніть структуровані дані (дати, імена, оцінки, суми).

import httpx, base64, json

def ocr_та_витяг(шлях: str, інструкція: str, api_key: str) -> dict:
    with open(шлях, "rb") as f:
        b64 = base64.b64encode(f.read()).decode()
    headers = {"Authorization": f"Bearer {api_key}"}

    # Крок 1 — OCR
    ocr_resp = httpx.post(
        "https://app.lapathoniia.top/chat/stream", headers=headers,
        json={"message": "Розпізнай текст", "model": "rukopys-ocr",
              "session_id": "ocr-pipeline", "user_id": "agent",
              "web_search": False, "connectors": False, "chat_history": [],
              "images": [{"base64": b64, "mime_type": "image/jpeg"}]},
    )
    ocr_text = "".join(
        json.loads(l[6:])["text"] for l in ocr_resp.iter_lines()
        if l.startswith("data: ") and "text" in json.loads(l[6:])
    )

    # Крок 2 — Витяг
    llm_resp = httpx.post(
        "https://app.lapathoniia.top/chat/stream", headers=headers,
        json={"message": f"{інструкція}

Текст:
{ocr_text}",
              "model": "MamayLM-Gemma-3-27B-IT-v2.0",
              "session_id": "ocr-pipeline", "user_id": "agent",
              "web_search": False, "connectors": False, "chat_history": []},
    )
    return json.loads("".join(
        json.loads(l[6:])["text"] for l in llm_resp.iter_lines()
        if l.startswith("data: ") and "text" in json.loads(l[6:])
    ))

result = ocr_та_витяг(
    "test.jpg",
    "Витягни: ім’я учня, дату, предмет, оцінку (0-100). Тільки JSON.",
    api_key="sk-...",
)
# → {"student": "Іван Петренко", "date": "2024-05-12", "subject": "Математика", "score": 87}

Застосування: оцінювання тестів · аналіз договорів · медичні записи · архівні дослідження

2. RAG (пошук + генерація)

Q&A система над корпусом документів з Lapathoniia як LLM бекенд.

# base_url має вказувати на api.lapathoniia.top/v1
client = OpenAI(api_key="sk-...", base_url="https://api.lapathoniia.top/v1")

def rag_query(question: str) -> str:
    results = collection.query(query_texts=[question], n_results=5)
    context = "\n\n".join(results["documents"][0])
    response = client.chat.completions.create(
        model="MamayLM-Gemma-3-27B-IT-v2.0",
        messages=[
            {"role": "system", "content": f"Відповідай на основі:\n\n{context}"},
            {"role": "user", "content": question},
        ],
    )
    return response.choices[0].message.content

Застосування: юридичний Q&A · корпоративна база знань · українське законодавство · технічна документація

3. MCP конектори

Запити до живих держданих природною мовою.

result = query_prozorro("Знайди тендери Укрзалізниці відсортовані за сумою")
# → markdown таблиця: назва, сума, дата, переможець, посилання

Застосування: моніторинг закупівель · дашборди прозорості · економічні дослідження · журналістика

4. Веб-пошук у пайплайнах

Збагатіть відповіді актуальними веб-даними. Всі російські джерела автоматично відфільтровані.

answer, sources = search_and_answer(
    "Які останні рішення РНБО щодо санкцій проти Росії?",
    api_key="sk-...",
)

Застосування: моніторинг новин · конкурентна розвідка · фактчекінг · дослідницький агент

5. Пакетна обробка

Обробляйте цілі папки документів, комбінуйте OCR + LLM + аналітику.

# Відправте папку Google Drive — по одному завданню на файл
resp = httpx.post(
    "https://app.lapathoniia.top/batch/jobs",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "job_type": "auto",           # auto визначає ocr/chat по типу файлу
        "drive": {"folder_id": "YOUR_FOLDER_ID"},
        "pipeline": "ocr_then_chat",
        "pipeline_instruction": "Витягни: дату, підписантів, суми. JSON.",
        "pipeline_model": "MamayLM-Gemma-3-27B-IT-v2.0",
    },
)
# Повертає масив job об'єктів — по одному на файл
jobs = resp.json()

Допустимі значення job_type: ocr, chat, auto (визначає тип по розширенню файлу). Вхідні дані: або inline (масив повідомлень), або drive (file_id або folder_id).

Get Started

API Reference

Guides

Connectors

Ecosystem

Building Blocks

1. OCR + LLM Post-processing

2. RAG (Retrieval-Augmented Generation)

3. MCP Connectors

4. Web Search in Pipelines

5. Batch Processing Pipeline

Building Blocks

1. OCR + LLM постобробка

Застосування: оцінювання тестів · аналіз договорів · медичні записи · архівні дослідження

2. RAG (пошук + генерація)

3. MCP конектори

4. Веб-пошук у пайплайнах

5. Пакетна обробка

​Building Blocks

​1. OCR + LLM Post-processing

​2. RAG (Retrieval-Augmented Generation)

​3. MCP Connectors

​4. Web Search in Pipelines

​5. Batch Processing Pipeline

​Building Blocks

​1. OCR + LLM постобробка

​Застосування: оцінювання тестів · аналіз договорів · медичні записи · архівні дослідження

​2. RAG (пошук + генерація)

​3. MCP конектори

​4. Веб-пошук у пайплайнах

​5. Пакетна обробка

Building Blocks

1. OCR + LLM Post-processing

2. RAG (Retrieval-Augmented Generation)

3. MCP Connectors

4. Web Search in Pipelines

5. Batch Processing Pipeline

Building Blocks

1. OCR + LLM постобробка

Застосування: оцінювання тестів · аналіз договорів · медичні записи · архівні дослідження

2. RAG (пошук + генерація)

3. MCP конектори

4. Веб-пошук у пайплайнах

5. Пакетна обробка