Премини към основното съдържание
Български— Изберете език
Меню

Създаване на агент чрез Python API

Урок 4 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Вашият първи агент на Mistral
  2. Предварителни изисквания
  3. Създаване на минималистичен агент
  4. Дефиниране на поведение чрез инструкции
  5. Контрол на генерирането
  6. Оборудване на агента с инструменти
  7. Управление на жизнения цикъл на агента
  8. Пълен пример
  9. Ключови изводи

Вашият първи агент на Mistral

Предходните три урока установиха терминологията; този Ви поставя пред клавиатурата. Ще създадете агент чрез Python API, като постепенно го обогатявате с инструкции, параметри за генериране и инструменти, след което ще започнете разговор с него. Прогресията е умишлено постепенна: всяко добавяне променя наблюдаемо поведение, показвайки Ви защо един и същи метод create() може да произведе или общ помощник, или експерт със строго фиксиран стил.

Предварителни изисквания

Инсталацията отнема две стъпки. Първо, официалният SDK.

pip install mistralai

След това направете Вашия API ключ достъпен в средата, вместо да го кодирате директно във Вашия код. Случайното качване на ключ в хранилище е първият инцидент със сигурността за всеки LLM проект.

export MISTRAL_API_KEY="your-api-key"

След това изграждате клиента в един ред. Този обект client служи като входна точка за остатъка от урока.

from mistralai.client import Mistral
import os

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

Създаване на минималистичен агент

Методът client.beta.agents.create() приема три задължителни параметъра и няколко незадължителни. Нека започнем с абсолютния минимум.

agent = client.beta.agents.create(
    model="mistral-medium-latest",
    name="Simple Assistant",
    description="A conversational agent with persistent state."
)

print(f"Agent created: {agent.id}")

Този агент е минималистичен: без специфични инструкции, без инструменти, без защитни ограничения. Той се държи като подобрена крайна точка за Chat Completions с постоянство. Обърнете внимание на идентификатора, върнат в agent.id: това е това, което съхранявате от страната на приложението, тъй като това е единствената стабилна препратка към тази конфигурация.

Дефиниране на поведение чрез инструкции

Инструкциите действат като системен промпт и са основният лост за контрол на поведението. Примерът по-долу трансформира общ помощник в юридически експерт, чийто обхват, формат и ограничения са изрично дефинирани.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Legal Expert",
    description="Agent specialized in French business law.",
    instructions="""You are an expert in French business law.

Rules:
- Always respond in French
- Cite relevant legal articles
- Specify when a question requires a lawyer's opinion
- Structure your responses with headings and lists
- Never give definitive legal advice"""
)

Наблюдавайте структурата на този промпт: дефиниция на ролята в началото, последвана от номерирани правила. Тази секционна организация помага на модела да приоритизира ограниченията. Бъдете конкретни относно ролята, тона и ограниченията, вместо да пишете „бъдете полезни“. Над всичко, предвиждайте гранични случаи – какво трябва да направи агентът, ако въпросът излиза извън неговия домейн? Редът за търсене на мнение от адвокат адресира точно това. Накрая, третирайте инструкциите като код: ще ги тествате и преразглеждате многократно, преди да произведат очакваното поведение.

Контрол на генерирането

completion_args конфигурират семплъра, тоест начина, по който моделът избира своите думи. Агент, натоварен с преразказване на факти, няма нужда от същата свобода като агент за мозъчна атака.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Precise Agent",
    description="Agent with controlled generation parameters.",
    instructions="Respond factually and concisely.",
    completion_args={
        "temperature": 0.2,    # Less creativity, more precision
        "top_p": 0.9,          # Probability nucleus
        "max_tokens": 2048     # Response length limit
    }
)
  • temperature — Варира от 0.0 (детерминирано) до 1.0 (креативно). За задачи, базирани на факти, предпочитайте 0.1–0.3.
  • top_p — Филтриране по кумулативна вероятност. 0.9 е добър стандарт.
  • max_tokens — Строго ограничение на изходните токени.

Оборудване на агента с инструменти

Един агент става наистина автономен, когато може да действа отвъд текста. Следната конфигурация му осигурява както уеб достъп, така и изпълнение на код: изправен пред въпрос, сравняващ днешните лихвени проценти, той ще извлече стойностите и ще изчисли резултата без Ваша намеса.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Research Agent",
    description="Agent with web search and code execution.",
    instructions="Use web search for current information and code for calculations.",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Наличните инструменти включват: web_search, web_search_premium, code_interpreter, image_generation, document_library.

Управление на жизнения цикъл на агента

Вашите агенти са постоянни ресурси от страна на Mistral и ще ги администрирате като всеки друг ресурс: намиране, модифициране, изтриване. Изброяването е особено полезно по време на разработка, когато бързо се сдобивате с десетки тестови агенти, чиито ID сте загубили.

# List all your agents
agents = client.beta.agents.list()
for a in agents.data:
    print(f"{a.name} ({a.id})")

# Retrieve an agent by its ID
agent = client.beta.agents.get(agent_id="ag-xxxxxxxx")

Актуализациите са частични: модифицират се само предоставените полета; останалите остават такива, каквито са. Това Ви позволява да усъвършенствате инструкциите в продукция, без да предекларирате цялата конфигурация.

agent = client.beta.agents.update(
    agent_id=agent.id,
    instructions="New updated instructions.",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

Изтриването обаче е окончателно.

client.beta.agents.delete(agent_id=agent.id)

Пълен пример

Нека съберем всичко в напълно функционален агент: създаване, разговор и четене на отговора. Можете да използвате този скрипт както си е; просто променете името и инструкциите и ще разполагате със свой собствен оперативен анализатор за минути.

from mistralai.client import Mistral
import os

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

# Create the agent
agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Tech Analyst",
    description="Analyzes technology trends with web sources.",
    instructions="""You are a technology analyst.
- Use web search for recent data
- Always cite your sources
- Structure your analyses into key points""",
    tools=[{"type": "web_search"}],
    completion_args={"temperature": 0.3}
)

# Start a conversation
response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="What are the latest advancements in agentic AI in 2026?"
)

# Display the response
for entry in response.outputs:
    if hasattr(entry, "content"):
        print(entry.content)

Последният цикъл заслужава внимание: той итерира през response.outputs, вместо да чете едно единствено поле, защото агент, оборудван с инструменти, произвежда множество записи – изпълнението на търсенето, след това текстът. Това е ключовият момент, който трябва да следите в следващия урок.

Ключови изводи

  • client.beta.agents.create() създава агент с модел, име и описание (задължително)
  • Инструкциите дефинират поведението – това е основният лост
  • completion_args контролират генерирането (temperature, top_p, max_tokens)
  • Един агент може да има едновременно активирани множество инструменти
  • Агентите са конфигурации за многократна употреба, а не екземпляри на разговори