Практически примери за режим JSON
На тази страница
Обновено на 3 ноември 2026 г.: Примерът с TypeScript преди това импортираше
Mistralкато експорт по подразбиране, но SDK предоставя само именуван експорт (import { Mistral } from "@mistralai/mistralai"). Също така той фиксираше API ключа и принудително задаваше типа наcontentс!, 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=0осигурява 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