Инструмент code_interpreter: Изпълнение на Python
На тази страница
Изпълнение на код в облака на Mistral
Инструментът code_interpreter позволява на Вашия агент да пише и изпълнява Python код в изолиран контейнер (sandbox). Това е идеалният избор за изчисления, анализ на данни, генериране на графики и валидиране на код. Не става въпрос просто за удобство: голям езиков модел (LLM), който „смята наум“, произвежда правдоподобен, но не непременно верен резултат. Като прехвърлите операцията към реален интерпретатор, Вие заменять предсказването на токени с проверимо изпълнение, което Ви осигурява код за преглед.
Създаване на агент с Code Interpreter
Инструкциите за този агент изискват той да показва кода преди изпълнението му, като Ви предоставя контролна точка над това какво всъщност се изпълнява.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="Code Agent",
instructions="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
tools=[{"type": "code_interpreter"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Стартиране на изпълнение
Една проста заявка за изчисление е достатъчна, за да активира инструмента; не са необходими специални инструкции от Ваша страна.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Calculate the first 20 Fibonacci numbers."
)
След това агентът написва Python скрипт за изчисляване на редицата, изпълнява я в изолираната среда и представя резултатите заедно с обяснения. Двайсетте стойности, които получавате, идват от реално изпълнение: те ще бъдат точни дори отвъд точката, в която моделът обикновено започва да греши.
Структура на отговора
Можете да прочетете този механизъм директно във върнатите записи и Вашият код трябва да прави разлика между текст и резултати от изпълнение.
for entry in response.outputs:
if entry.type == "message.output":
# First response: "I will calculate..." or final result
print(f"Message: {entry.content}")
elif entry.type == "tool.execution":
# Executed code and result
print(f"Code: {entry.info.code}")
print(f"Output: {entry.info.code_output}")
Агентът започва с message.output, обявявайки какво възнамерява да направи. Следва tool.execution, където кодът се изпълнява: info.code съдържа скрипта, а info.code_output държи неговия изход. Второ message.output затваря последователността, в която агентът интерпретира и обяснява резултатите. Тези две полета, info.code и info.code_output, са Вашият одитен след – пазете ги в логовете на Вашето приложение, тъй като те Ви позволяват да възпроизведете и оспорите всяка цифра, произведена от агента.
Какво променя инструментът на практика
Анализът на данни е най-непосредственият случай на употреба. предоставете поредица от стойности и поискайте статистика: средната стойност, медианата и стандартното отклонение се изчисляват, а не се оценяват.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Here are the monthly sales (in K€):
Jan: 120, Feb: 135, Mar: 142, Apr: 128, May: 155, Jun: 168
Calculate the mean, median, standard deviation, and trend."""
)
Генерирането на графики естествено разширява тази възможност, тъй като средата включва библиотеки за绘图 (plotting).
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Create a bar chart of cloud market shares in Europe: AWS 31%, Azure 25%, GCP 11%, OVH 8%, Others 25%"
)
Агентът използва matplotlib за генериране на графиката. Резултатът е графичен файл, достъпен в отговора – затова се уверете, че Вашият код за четене обработва този случай, иначе ще завършите с показване само на съпроводителния текстов коментар.
Валидирането на код е трети случай на употреба, по-малко очевиден, но ценен. Изпратете функция и тестовите случаи, които трябва да покрие: агентът не просто разсъждава върху кода, той го изпълнява. В примера по-долу входът "Madam" разкрива недостатък, който простият преглед на кода вероятно би пропуснал.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Check if this function is correct:
def is_palindrome(s):
return s == s[::-1]
Test it with: "radar", "hello", "kayak", "Madam"
"""
)
Приложната математика допълва списъка: решаване на системи уравнения, линейна алгебра, оптимизация. И тук отговорът разчита на решател (solver), а не на интуиция.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)
Комбиниране с други инструменти
Един агент може да има едновременно активирани множество инструменти и често именно тук се появява истинската стойност: търсенето доставя свежи данни, които кодът трансформира в анализ.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Complete Analyst",
description="Search + Calculation",
instructions="Search for recent data then analyze it with code.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter"}
]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Find the current price of Bitcoin and calculate its percentage change over the last 30 days."
)
Агентът автоматично избира кой инструмент да използва на всяка стъпка. При тази заявка той ги верижно свързва: не можете да изчислите промяна, без първо да получите стойностите, и не можете да получите тези стойности без уеб достъп.
Ограничения на изолираната среда (Sandbox)
Тази изолирана среда налага ограничения, които трябва да знаете, преди да проектирате Вашето приложение. Библиотеките са ограничени: налични са стандартни Python пакети – numpy, pandas, matplotlib, сред други – но не и всички пакети на трети страни, което изключва Вашите вътрешни зависимости. Кодът няма мрежов достъп, така че данните трябва да достигнат до него чрез контекст или друг инструмент, никога чрез HTTP заявка, написана в скрипта. Времето за изпълнение е ограничено, така че процесите с дълга продължителност биват прекъсвани: разбивайте големите обеми, вместо да се надявате на единичен проход. Накрая, няма постоянство между повикванията; файл, създаден по време на едно изпълнение, няма да бъде намерен при следващото.
Ключови изводи
code_interpreterизпълнява Python в сигурна изолирана среда от страна на Mistral- Отговорът съдържа изпълнения код (
info.code) и неговия изход (info.code_output) - Идеален за изчисления, анализ на данни и генериране на графики
- Може да се комбинира с други инструменти (web_search и др.)
- Изолираната среда има ограничения: няма мрежов достъп, ограничени библиотеки, липса на постоянство