Премини към основното съдържание
Български— Изберете език
Меню

Практически примери за режим JSON

Урок 5 от 12 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Прилагане на режим JSON на практика
  2. Извличане на entidades от неструктуриран текст
  3. Класифициране на тикети за поддръжка
  4. Преобразуване на описание в продуктов лист
  5. Обработка на множество елементи в едно обаждане
  6. Ключови изводи

Обновено на 3 ноември 2026 г.: Примерът с TypeScript преди това импортираше Mistral като експорт по подразбиране, но SDK предоставя само именуван експорт (import { Mistral } from "@mistralai/mistralai"). Също така той фиксираше API ключа и принудително задаваше типа на content с !, което е недостатъчно, тъй като полето може да бъде и списък от части (chunks). Проверено чрез компилация със SDK 3.5.0 и TypeScript 7.0.2. Източник: Mistral TypeScript SDK.

Прилагане на режим JSON на практика

Вече знаете как да активирате режим JSON; нека разгледаме работещи примери. Три сценария се срещат постоянно в реалните проекти и всеки илюстрира различен начин за използване на този режим. Кодът е предоставен на Python, с еквиваленти на TypeScript, където преводът не е непосредствен.

Извличане на entidades от неструктуриран текст

Извличането на entities е най-честият и икономически изгоден случай на употреба: едно търговско имейл съобщение съдържа пълни данни за контакт, но те са заровени в подписа и любезностите. Ключовата инструкция в следващия пример е последният ред на системния промпт – изискването за null при липсваща информация предотвратява измислянето на телефонен номер от модела само за попълване на полето.

from mistralai.client import Mistral
import json

client = Mistral(api_key="your-api-key")

email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
        },
        {"role": "user", "content": email_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")

Очакван изход:

{
  "name": "Marie Dupont",
  "title": "Sales Director",
  "company": "TechVision SAS",
  "phone": "06 12 34 56 78",
  "email": "[email protected]",
  "address": "42 rue de la Paix, 75002 Paris"
}

Класифициране на тикети за поддръжка

Класификацията изисква различен подход: вместо да оставите модела да избира собствените си стойности, Вие изброявате позволените стойности за всяко поле в промпта. Това прави резултатите сравними от един тикет до друг и директно използваеми за насочване. Обърнете внимание на преминаването към mistral-small-latest – сортирането на тикети не оправдава използването на най-мощния модел.

tickets = [
    "My payment was charged twice, I demand an immediate refund!",
    "How can I change my password?",
    "Your app crashes every time I open the settings tab.",
]

for ticket in tickets:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[
            {
                "role": "system",
                "content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
            },
            {"role": "user", "content": ticket}
        ],
        response_format={"type": "json_object"},
        temperature=0
    )

    result = json.loads(response.choices[0].message.content)
    print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")

Ето същия класификатор на TypeScript. Проверката преди JSON.parse ни напомня, че типовете на SDK дефинират content като опционален и като string | ContentChunk[]: само низ може да бъде анализиран (parsed).

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const ticket = "My payment was charged twice!";

const response = await client.chat.complete({
  model: "mistral-small-latest",
  messages: [
    {
      role: "system",
      content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
    },
    { role: "user", content: ticket },
  ],
  responseFormat: { type: "json_object" },
  temperature: 0,
});

const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
  throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);

Преобразуване на описание в продуктов лист

Третият сценарий: трансформиране на маркетингов текст в запис, готов за база данни. Това упражнение е по-трудно, защото типовете имат значение – цената трябва да пристигне като число, срокът за доставка като две цели числа, а безплатната доставка като булева стойност. Оттук идват и точните анотации в промпта.

product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
        },
        {"role": "user", "content": product_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))

Резултат:

{
  "name": "MacBook Pro 16-inch",
  "brand": "Apple",
  "price_eur": 2799,
  "specs": {
    "ram_gb": 24,
    "storage_gb": 512,
    "screen": "Liquid Retina XDR"
  },
  "colors": ["Space Black", "Silver"],
  "delivery_days_min": 3,
  "delivery_days_max": 5,
  "free_shipping": true
}

Забележете, че марката, Apple, не се появява никъде в изходния текст: моделът я е извел от името на продукта. Това е предимство за обогатяване на данните, но и риск, който трябва да се следи, ако изисквате строго буквално извличане.

Обработка на множество елементи в едно обаждане

Нищо не Ви принуждава да правите по едно обаждане за всеки елемент. Като поискате от модела списък под един единствен ключ, Вие намалявате броя на заявките – и следователно кумулативната латентност – за кратки задачи като анализ на отзиви. Поисканата тук оценка варира от -1.0 до 1.0, което е полезна конвенция за последващо агрегиране на резултатите.

texts = [
    "Excellent product, I recommend it!",
    "Late delivery, damaged product.",
    "Decent for the price, nothing exceptional."
]

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "system",
            "content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
        },
        {"role": "user", "content": "\n---\n".join(texts)}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
    print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")

Един детайл, общ за всички тези примери, заслужава подчертаване: temperature=0 е систематичен тук. За задачите по извличане и класификация креативността не добавя нищо и струва възпроизводимост.

Ключови изводи

  • Режим JSON превъзхожда при извличане на данни, класификация и конвертиране
  • Използвайте системния промпт, за да дефинирате очакваната структура и типове
  • temperature=0 осигурява възпроизводими резултати
  • Пакетната обработка в една заявка е възможна чрез поискване на JSON списък
  • Винаги анализирайте отговора с json.loads() / JSON.parse(), преди да достъпите данните