Премини към основното съдържание
Български— Изберете език
Меню

Разсъждения в агенти и разговори

Урок 4 от 12 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Три начина за извикване на модел за разсъждение
  2. Агент, който разсъждава
  3. Четене на изходните данни от разговора
  4. Разговор без агент
  5. Разсъждение и инструменти
  6. Сравнение на трите подхода
  7. Най-добри практики за интеграция
  8. Ключови изводи

Урокът е пренаписан на 2 ноември 2026 г. за Mistral Small 4 и Large 4. Документацията на Mistral посочва, че reasoning_effort е наличен в крайните точки на Agents и Conversations в полето completion_args. Източници: Reasoning · Python SDK — Conversations.

Три начина за извикване на модел за разсъждение

Предишните уроци използваха Chat Completions API: изпращахте пълната история при всяко извикване, а reasoning_effort се включваше директно в заявката. Mistral предлага още два интерфейса: Agents API, който запазва многократна конфигурация (модел, инструкции, инструменти, параметри), и Conversations API, който съхранява историята на сървъра. При тези два API не задавате разсъждението на най-горно ниво; го вмъквате вътре в completion_args заедно с другите параметри за генериране.

Агент, който разсъждава

Задаването на нивото на разсъждение в дефиницията на агента избягва повторението му при всяко извикване и гарантира, че целият Ви екип използва една и съща настройка:

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

Четене на изходните данни от разговора

Разговорът не връща choices; той връща списък от записи (outputs). Отговорът на модела се намира в записи от тип message.output. Както при Chat Completions, съдържанието е или низ, или списък от части, които могат да включват ThinkChunk. Функцията separer от Урок 3 работи точно както преди:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Другите записи описват случилото се по време на хода, като изпълнение на инструмент (tool.execution) или извикване на функция. Игнорирайте ги, ако Ви интересува само крайният отговор.

Разговор без агент

За еднократни задачи Conversations API приема модел директно, без предварителна настройка на агент. Сървърът пази историята и Вие продължавате обмена с conversations.append, коригирайки нивото на разсъждение за конкретен ход, ако е необходимо:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Това е конкретно предимство спрямо Chat Completions, където документацията изисква да преизпращате пълното съобщение на асистента, включително разсъждението, при всеки нов ход (Урок 7). При Conversations API сървърът пази историята; не я изпращате отново при всяко извикване.

Разсъждение и инструменти

Един агент може да комбинира разсъждение и инструменти: tools и completion_args са независими полета при създаване на агент. Така един анализиращ агент може да има уеб търсене и дълбоко разсъждение:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Внимавайте обаче за разходите: разсъждението и извикванията на инструменти се сумират във фактурата за един ход.

Сравнение на трите подхода

КритерийChat CompletionsAgentsConversations
Къде да зададете разсъждениетоreasoning_effort в заявкатаcompletion_args в агентаcompletion_args в start или append
ИсторияПреизпращане при всяко извикване, включително разсъждениетоНосена от разговораЗапазена на сървъра
Вградени инструменти (web_search…)НеДаДа
Типична употребаЕднократни извиквания, пълен контролСподелена, многократна конфигурацияМногоходови размени

Най-добри практики за интеграция

Задайте нивото на разсъждение в агента, когато задачата е еднородна, и за всеки ход, когато тя варира: начален ход за анализ на high, последван от ходове за преформулиране на low или none, в зависимост от модела. Уверете се, че стойността отговаря на модела на агента: Small 4 приема high и none; Large 4 приема low, medium и high. Накрая, логирайте използването на токени за всеки ход; това е единственият начин да разберете дали разсъждението си заслужава за Вашия случай на употреба.

Ключови изводи

  • В Agents и Conversations API предавайте reasoning_effort вътре в completion_args
  • Отговорите идват в outputs; текстът се намира в записи от тип message.output, включително разсъждението
  • Conversations API пази историята на сървъра: няма нужда да я изпращате отново при всеки ход
  • Можете да променяте нивото при всеки ход с conversations.append
  • Един агент може да комбинира вградени инструменти и разсъждение, но с цена на кумулативна употреба