Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Reasoning v agenty a konverzacích

Lekce 4 z 12 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Tři způsoby volání reasoning modelu
  2. Agent, který reasonuje
  3. Čtení výstupů konverzace
  4. Konverzace bez agenta
  5. Reasoning a nástroje
  6. Porovnání tří přístupů
  7. Doporučené postupy pro integraci
  8. Klíčové poznatky

Lekce přepsána 2. listopadu 2026 pro modely Mistral Small 4 a Large 4. Dokumentace Mistralu uvádí, že parametr reasoning_effort je dostupný na endpointech Agents a Conversations uvnitř pole completion_args. Zdroje: Reasoning · Python SDK — Conversations.

Tři způsoby volání reasoning modelu

Předchozí lekce využívaly API Chat Completions: při každém volání jsi odesílal celou historii a parametr reasoning_effort jsi vkládal přímo do požadavku. Mistral nabízí další dvě rozhraní: Agents API, které ukládá opakovaně použitelnou konfiguraci (model, instrukce, nástroje, parametry), a Conversations API, které udržuje historii na serveru. U těchto dvou API nenastavuješ reasoning na nejvyšší úrovni; vnoříš jej dovnitř completion_args vedle ostatních parametrů generování.

Agent, který reasonuje

Nastavení úrovně reasoningu přímo v definici agenta ti ušetří jeho opakované zadávání při každém volání a zajistí, že celý tým používá stejné nastavení:

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?",
)

Čtení výstupů konverzace

Konverzace nevrací choices; vrací seznam položek (outputs). Odpověď modelu se nachází v položkách typu message.output. Stejně jako u Chat Completions je obsah buď řetězec, nebo seznam chunků, které mohou obsahovat ThinkChunk. Funkce separer z Lekce 3 funguje přesně stejně jako dříve:

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

Ostatní položky popisují, co se během kroku dělo, například执行 nástroje (tool.execution) nebo volání funkce. Pokud tě zajímá pouze finální odpověď, můžeš je ignorovat.

Konverzace bez agenta

Pro jednorázové úkoly přijímá Conversations API model přímo, bez předchozího nastavování agenta. Server udržuje historii a ty můžeš ve výměně pokračovat pomocí conversations.append, přičemž můžeš podle potřeby upravit úroveň reasoningu pro konkrétní krok:

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
)

To je konkrétní výhoda oproti Chat Completions, kde dokumentace vyžaduje, abys při každém novém kroku znovu odesílal celou zprávu asistenta včetně reflexe (Lekce 7). U Conversations API udržuje historii server; nemusíš ji při každém volání znovu odesílat.

Reasoning a nástroje

Agent může kombinovat reasoning a nástroje: tools a completion_args jsou při vytváření agenta nezávislá pole. Analytický agent tak může mít zároveň webové vyhledávání i hluboký reasoning:

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"},
)

Měj však na paměti náklady: reflexe a volání nástrojů se v rámci jednoho kroku sčítají na účtu.

Porovnání tří přístupů

KritériumChat CompletionsAgentsConversations
Kde nastavit reasoningreasoning_effort v požadavkucompletion_args v agentovicompletion_args v start nebo append
HistorieOdeslat při každém volání, včetně reflexeNesená konverzacíUložená na serveru
Vestavěné nástroje (web_search…)NeAnoAno
Typické použitíJednorázová volání, plná kontrolaSdílená, opakovaně použitelná konfiguraceVícekrokové výměny

Doporučené postupy pro integraci

Úroveň reasoningu nastav v agentovi, pokud je úkol jednotný, a pro každý krok zvlášť, pokud se liší: počáteční analytický krok na high, následovaný kroky přeformulování na low nebo none v závislosti na modelu. Ověř, zda hodnota odpovídá modelu agenta: Small 4 přijímá high a none; Large 4 přijímá low, medium a high. Nakonec loguj využití tokenů pro každý krok; je to jediný způsob, jak zjistit, zda se reasoning ve tvém případě vyplatí.

Klíčové poznatky

  • V API Agents a Conversations předávej reasoning_effort uvnitř completion_args
  • Odpovědi přicházejí v outputs; text se nachází v položkách message.output, včetně reflexe
  • Conversations API udržuje historii na serveru: nemusíš ji při každém kroku znovu odesílat
  • Úroveň můžeš měnit při každém kroku pomocí conversations.append
  • Agent může kombinovat vestavěné nástroje a reasoning, za cenu kumulativního využití