> ## Documentation Index > Fetch the complete documentation index at: https://docs.lapathoniia.top/llms.txt > Use this file to discover all available pages before exploring further. # Use Cases > Real-world integration patterns — OCR+LLM, RAG, MCP, web search ## 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). ```python theme={null} 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. ```python theme={null} 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. ```python theme={null} 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. ```python theme={null} 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. ```python theme={null} 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). ```python theme={null} 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. ```python theme={null} # 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. ```python theme={null} 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. ```python theme={null} 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. ```python theme={null} # 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).