Analyser les fichiers

L’outil Analyser les fichiers permet aux Agents de traiter et de raisonner sur le contenu des fichiers à l’aide de LLM.

Add the Analyze Files tool

Pour ajouter l’outil Analyser les fichiers à votre agent, procédez comme suit :

1. Définissez les entrées de fichier. Dans le panneau Gestionnaire de données , ajoutez un argument pour chaque entrée de fichier dans le schéma de votre agent.

   Figure 1. Créer des arguments d'entrée de fichier

   

   L’argument d’entrée doit être explicitement référencé dans l’ invite de l’utilisateur à l’aide de la syntaxe {{exampleInput}} . Les arguments d’entrée non référencés sont ignorés et peuvent affecter la note de l’agent.

   • Pour un fichier unique, définissez le type d'argument sur Fichier et référencez-le dans l'invite de l'utilisateur. Par exemple: « Analysez le rapport suivant et résumez les principaux points de vue: {{reportFile}}».
   • Pour transmettre plusieurs fichiers, définissez le type d'argument sur Array et le type d'élément sur Fichier, puis référencez l'argument par son nom dans l'invite de l'utilisateur. Vous pouvez également ajouter des arguments de chaîne facultatifs pour les instructions du runtime. Par exemple :

   Analyze the following report files and summarize the key findings.
   
   ## Inputs
   - Report files: {{reportFiles}}
   - Additional instructions (optional): {{analysisInstructions}}
   

   Dans cet exemple, reportFiles est un argument de type Tableau de fichiers et analysisInstructions est un argument de type String facultatif. Les deux doivent être définis dans le panneau Data Manager .

   

   

2. Ajoutez l’outil Analyser les fichiers à la définition de votre agent :

   1. Sélectionnez Ajouter un outil dans le panneau Outils.
   2. Dans la catégorie Outils intégrés, choisissez Analyser les fichiers.
   3. Mettez à jour le nom et la description de l’outil pour aider l’agent à mieux déterminer quand l’utiliser. Le nom et la description guident la phase de planification de l'agent - ils déterminent le moment où l'agent décide d'appeler l'outil, et non ce que l'outil fait avec les fichiers au moment de l'exécution.

   

3. Définissez les entrées de l'outil. L'outil est préconfiguré avec deux entrées principales:

   • attachments : une entrée définie par invite qui indique à l'agent les fichiers à transmettre à l'outil. Dans ce champ, décrivez comment l'agent doit utiliser les entrées de fichier référencées dans l'invite de l'utilisateur (par exemple, {{reportFiles}}). L’agent mappe automatiquement ces fichiers référencés à cette entrée au moment du runtime. Exemple: « Utilisez les fichiers fournis dans l’invite de l’utilisateur (par exemple, {{reportFiles}}) comme entrées pour l’analyse.»
   • analysisTask (string) : une instruction de runtime indiquant au LLM quoi faire des fichiers une fois l'outil invoqué - par exemple, « Analysez ces rapports. Extrayez le titre du rapport, un résumé exécutif, les principales conclusions triées par importance, des recommandations exploitables et le sentiment global. » Cela est distinct du nom et de la description de l'outil, qui contrôlent le moment où l'agent appelle l'outil. Si votre cas d'utilisation implique un seul fichier, vous pouvez décrire les pièces jointes en conséquence (par exemple, « Utiliser le fichier fourni dans {{reportFile}}… »).

4. Exécutez l'agent avec des fichiers d'entrée.

   1. Ouvrez la fenêtre Configuration Debug  :
      1. Accédez à l'onglet Arguments du projet.
      2. Chargez vos fichiers d’entrée liés à votre argument reportFiles.
   2. Sélectionnez Enregistrer et exécutez la session de Debug.

   

5. Après avoir exécuté l'agent, inspectez la trace d'exécution dans le panneau inférieur.

L’outil Analyser les fichiers est désormais ajouté à votre agent et configuré pour traiter les entrées de fichiers. Le traçage de l'exécution dans le panneau Piste d'exécution indique comment chaque pièce jointe a été gérée lors de l'exécution.

Traces des pièces jointes de fichiers

Lors de l’utilisation de l’outil Analyser les fichiers, toutes les entrées et sorties de fichiers sont capturées dans le panneau Piste d’exécution dans l’onglet Historique.Le traçage fournit une visibilité détaillée sur la façon dont les pièces jointes ont été gérées lors de l'exécution de l'agent.

Pour chaque fichier, la trace affiche :

• ID : Un identifiant unique de la pièce jointe.

• Nom : nom du fichier d’origine (par exemple, 1.jpg).

• Type MIME : type de fichier détecté (par exemple, image/jpeg).

  Figure 2. L’analyse du fichier dans la piste d’exécution

  

Sélectionnez l’appel de l’outil à partir de la Trace d’exécution et naviguez vers l’onglet Fichiers pour télécharger le fichier.

Figure 3. Comment télécharger un fichier à partir des Traces

Meilleures pratiques et FAQ

Remarque :

Reportez-vous à Utilisation des fichiers pour de plus amples détails sur l'utilisation de fichiers depuis des Processes Maestro, des workflows RPA ou des exécutions d'agent autonomes.

L’outil Analyser les fichiers permet aux Agents de traiter des documents et des images à l’aide de LLM.Bien que puissant, il présente certaines limitations et comportements importants à connaître lors de la conception d'agents amenés à traiter des fichiers.

Limites de fichiers

Chaque fichier ne doit pas dépasser 30 Mo. Aucune limite n'est appliquée au nombre de fichiers par requête.

File type support by provider

File support depends on the LLM provider and model selected for the agent. Although multiple providers support formats such as PDF, Word documents, spreadsheets, HTML, text, Markdown, and images, each provider may process these files differently before sending the content to the model. Results may vary between providers and models, especially for files that contain charts, embedded images, complex layouts, formulas, or large tables.

The table below shows the formats supported by the latest models exposed by UiPath:

Provider / model family	Supported document and text formats	Supported image formats
Anthropic models through AWS Bedrock	.pdf, .csv, .doc, .docx, .xls, .xlsx, .html, .txt, .md	.gif, .jpe, .jpeg, .pdf, .png, .tiff, .webp
OpenAI GPT models	.pdf, .csv, .doc, .docx, .xls, .xlsx, .html, .txt, .md	.gif, .jpe, .jpeg, .pdf, .png, .tiff, .webp
Gemini models through Vertex AI	.csv, .txt, .md, .html	.gif, .jpe, .jpeg, .pdf, .png, .tiff, .webp

Remarque :

Support depends on the selected model and provider capabilities. Some models may support a file extension at the API level but process the file differently internally, which can affect the quality of the response.

File support for custom LLM configurations

When using the Bring Your Own LLM capability through AI Trust Layer, the file types supported by Analyze Files depend on the configured LLM setup. For details, refer to Configuring LLMs.

File support is determined by the combination of:

• The selected provider, such as Azure OpenAI, Amazon Web Services, or Google Vertex
• The selected model family and model version
• The configured API Type, such as the provider endpoint used to call the model
• The file processing capabilities exposed by that provider endpoint

A file type that works with one model or provider may not work with another, even when both models are available through AI Trust Layer. For example, support for documents, spreadsheets, images, and PDFs can vary depending on whether the provider API accepts those files directly, extracts text from them, converts them into images, or applies a provider-specific preprocessing step.

UiPath validates that the configured LLM endpoint is reachable and compatible with the selected product configuration. When using a custom LLM configuration, you are responsible for ensuring that the configured model, provider, and API Type support the file types required by your Analyze Files use case.

Remarque :

File compatibility may change when switching from a UiPath-managed model to a custom LLM configuration, or when changing the provider, model version, or API Type. If Analyze Files fails to process a file after changing the LLM configuration, review the configured provider, model, and API Type in AI Trust Layer.

How file processing works

When a file is passed to an LLM, the model does not receive the original file as-is. Most providers apply a preprocessing step before the content is added to the model context. The preprocessing behavior depends on the file type.

For OpenAI file inputs:

• PDF files can be processed as both extracted text and page images on vision-capable models.
• Non-PDF document and text files are processed as extracted text only.
• Spreadsheet files use a spreadsheet-specific augmentation flow. OpenAI parses up to the first 1,000 rows per sheet and adds summary and header metadata so the model can work from a structured representation of the data.

Other providers such as AWS Bedrock and Vertex AI may use similar preprocessing approaches, but the exact implementation details are provider-specific and may not be fully documented.

Les gros fichiers peuvent dépasser les limites de jetons

Les agents traitent les fichiers en intégrant leur contenu dans les requêtes envoyées au LLM, lesquelles sont limitées par la capacité maximale en jetons du modèle. Les fichiers PDF volumineux ou les documents numérisés peuvent échouer sans message clair ou renvoyer des erreurs vagues telles que « Une erreur s'est produite», en particulier lorsqu'ils dépassent la limite de jetons du modèle.

Pour atténuer :

• Utilisez des modèles avec une capacité de jeton supérieure.
• Use retrieval-oriented capabilities such as File Search or Context Grounding, especially for large or multi-page files.
• Pré-indexez les documents et synchronisez-les avant ou pendant l'exécution de l'agent à l'aide d'outils personnalisés.

Gérer des fichiers PDF volumineux

Les fichiers PDF volumineux peuvent dépasser la limite de jetons du LLM lorsqu'ils sont traités entièrement. Fractionnez le PDF en plus petits fragments ou en pages individuelles avant de les transmettre à l’agent.

Les LLM redimensionnent les images.

Lorsque des fichiers d’image (par exemple, .jpg, .png) sont envoyés dans le cadre de l’invite LLM, la plupart des modèles les redimensionnent automatiquement. Cela peut déformer les rapports d'aspect ou perdre des données au pixel près.

Évitez les invites qui reposent sur des coordonnées exactes, des cases de limitation ou des comparaisons alignées par pixels (par exemple, les différences d’image nécessitant un positionnement x/y spécifique). Pour de plus amples informations, consultez le Guide de vision d'OpenAI pour le comportement de redimensionnement spécifique à un modèle.

Conseils pour de meilleurs résultats

• Les noms de fichiers doivent être propres : Les modèles Anthropic, en particulier, rejettent les noms de fichiers contenant des caractères spéciaux ou des espaces blancs répétés.
• Limitez le nombre d'images : Certains modèles comme GPT-4o prennent en charge un maximum de 10 à 50 images par requête.
• Use PDF format when layout, charts, or diagrams are important. Embedded images and charts in non-PDF formats such as .docx may not be extracted into the model context.
• Use text-based formats such as .txt, .md, or .html for straightforward document understanding tasks.
• For complex spreadsheet analysis involving aggregations, joins, formulas, or charting, use a deterministic processing step or a dedicated data-processing workflow before passing the result to the agent.