Документы по образцу нейросетью: заполнение шаблонов из данных

Нейросеть для генерации документов по образцу полезна там, где у вас десятки однотипных бумаг: договоры, акты, доверенности, письма, справки. Шаблон один, меняются данные. Главная ловушка в том, что многие просят модель «написать документ по образцу целиком» и получают незаметно изменённые реквизиты и суммы. Правильная схема другая: шаблон остаётся жёстким, данные берутся из таблицы, а модель отвечает только за то, что требует понимания русского языка. Ниже такая схема на Python.

Нейросеть для генерации документов по образцу: что делает код, а что модель

Юридический текст в шаблоне не должна писать модель, а ваш юрист. Нейросеть здесь нужна только для склонений и деловых формулировок, а всё остальное остаётся за шаблоном и кодом.

Шаг 1. Подготовьте шаблон Word

Возьмите готовый образец документа и замените переменные части метками. Для Python удобна библиотека docxtpl (Jinja-метки в документе Word):

ДОГОВОР № {{ number }} от {{ date }}
{{ client_org }}, именуемое в дальнейшем «Заказчик», в лице {{ signer_genitive }},
действующего на основании {{ basis_genitive }}, ...
Стоимость услуг составляет {{ amount }} руб. ({{ amount_words }}).

Важная деталь: метку нужно набирать в Word сразу целиком, без смены форматирования внутри. Иначе внутри метки появятся разрывы, и подстановка сломается. Если метка не срабатывает, перепечатайте её в одном проходе или вставьте как простой текст.

Шаг 2. Данные в таблице

В CSV или Excel (его читают csv или openpyxl) держите «сырые» данные: number, date, client_org, inn, signer (в именительном падеже), position, basis («Устав»), amount, service_note. Каждая строка это один будущий документ.

Шаг 3. Модель готовит текстовые поля

Модель получает ФИО, должность и основание, возвращает строгий JSON. Берите структурированный вывод по статье как получать строго структурированный JSON↗.

import csv
import json
import os
from decimal import Decimal
from docxtpl import DocxTemplate
from num2words import num2words
from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1",
                api_key=os.environ["ZUKKO_API_KEY"])

SYSTEM = (
    "Ты редактор деловых документов. Тебе дают данные подписанта. "
    "Верни JSON с полями: signer_genitive (должность и ФИО в родительном "

Для склонений достаточно недорогой модели, но склонение фамилий бывает коварным (иностранные, несклоняемые, женские фамилии), поэтому проверка выборкой обязательна. Подробнее о вызовах из Python — в справке по Python↗.

Шаг 4. Числа и проверки считает код

def money_fields(row):
    amount = Decimal(row["amount"].replace(" ", "").replace(",", "."))
    rub = int(amount)
    kop = int((amount - rub) * 100)
    words = num2words(rub, lang="ru")
    return {"amount": f"{amount:,.2f}".replace(",", " ").replace(".", ","),
            "amount_words": f"{words} руб. {kop:02d} коп."}

def validate(row, ctx):
    errors = []
    inn = row["inn"].strip()
    if not (inn.isdigit() and len(inn) in (10, 12)):
        errors.append("ИНН: нужно 10 или 12 цифр")
    for key in ("number", "date", "client_org", "signer_genitive"):
        if not ctx.get(key):
            errors.append(f"пустое поле {key}")
    return errors

Для числа прописью используйте библиотеку, а не модель: слова для суммы модель может исказить, а библиотека детерминирована. Проверьте её на своих значениях, особенно на копейках и рублях в разных падежах, при необходимости уточните вывод. Контрольную сумму ИНН тоже можно проверять кодом, если нужна строгая валидация.

Шаг 5. Сборка документов и финальная проверка

with open("clients.csv", encoding="utf-8") as f:
    for row in csv.DictReader(f):
        ctx = {**row, **text_fields(row), **money_fields(row)}
        problems = validate(row, ctx)
        if problems:
            print(row["number"], "пропущен:", problems)
            continue
        doc = DocxTemplate("template.docx")
        doc.render(ctx)
        doc.save(f"out/dogovor_{row['number']}.docx")

После сборки откройте итоговый файл тем же кодом и убедитесь, что в тексте не осталось {{, None и пустых мест; случайную выборку из 5–10 документов прочитайте глазами целиком. Сравнивайте не только поля, но и сумму цифрами с суммой прописью. Если нужно извлекать данные из присланных сканов или текстов, этому посвящена статья извлечение данных из документов↗.

Что с персональными данными

Фамилии подписантов и реквизиты это данные. Решите заранее, что вы вправе отправлять внешнему сервису. Минимальный вариант: модели отправляются только поля для склонения (должность, ФИО, основание), а ИНН, суммы и адреса остаются у вас. Условия хранения данных у поставщиков моделей прочитайте отдельно, мы по ним ничего не заявляем.

Сколько стоит

Формула: (вход × цена входа + выход × цена выхода) / 1 000 000, цены на 18 октября 2026 за 1M токенов. Допущения: на документ 700 токенов входа и 300 токенов выхода, всего 200 документов, то есть 140 000 токенов входа и 60 000 выхода. Это верхняя оценка, потому что мы отправляем только короткие поля.

• deepseek-v4.1-flash: 140 000 × 0.013 / 1 000 000 + 60 000 × 0.038 / 1 000 000 = 0.00182 + 0.00228, около $0.004.
• gpt-6.1-sol: 140 000 × 0.27 / 1 000 000 + 60 000 × 1.32 / 1 000 000 = 0.0378 + 0.0792, около $0.12.
• claude-sonnet-5-5: 0.056 + 0.12, около $0.18.

Проверьте несколько моделей на 30 трудных фамилиях и выберите самую дешёвую, которая не ошибается. Актуальные цены: GET https://api.zukko.pro/v1/models.

Подключение

Создайте ключ в кабинете↗, сохраните его в переменной ZUKKO_API_KEY и укажите base URL https://api.zukko.pro/v1. Баланс пополняется от $1: СБП (комиссия платёжной страницы 8,5% сверху), криптовалюта или карта MasterCard.

Частые вопросы

Можно ли просто загрузить образец и попросить нейросеть сделать такой же документ?

Можно для черновика, но реквизиты и суммы так легко исказить. Для типовых документов надёжнее жёсткий шаблон с подстановкой.

Подходит ли схема для заполнения документов в PDF-форме?

Принцип тот же: поля готовит код и модель, а заполнение зависит от формата формы. Для PDF обычно нужна отдельная библиотека работы с формами.

Как проверить склонения?

Сделайте тестовый набор из 30 сложных фамилий и должностей, сравните вывод с эталоном и держите его для повторных проверок при смене модели.

Кто отвечает за юридическую силу документа?

Вы. Модель не даёт юридических заключений, а итоговый текст проверяет юрист.