Vytvoření agenta pomocí Python API
Na této stránce
Tvůj první agent Mistral
Předchozí tři lekce ti poskytly slovní zásobu; tato tě dostane přímo ke klávesnici. Vytvoříš agenta prostřednictvím Python API, postupně ho obohatíš o instrukce, parametry generování a nástroje a následně s ním zahájíš konverzaci. Postup je záměrně inkrementální: každé přidání mění pozorovatelné chování a ukazuje ti, proč stejná metoda create() může vytvořit buď obecného asistenta, nebo experta s pevně daným stylem.
Předpoklady
Instalace probíhá ve dvou krocích. Nejprve oficiální SDK.
pip install mistralai
Dále zpřístupni svůj API klíč v prostředí místo toho, abys jej natvrdo zakódoval do kódu. Náhodné commitnutí klíče do repozitáře je první bezpečnostní incident pro jakýkoli projekt LLM.
export MISTRAL_API_KEY="your-api-key"
Klienta poté vytvoříš jediným řádkem. Tento objekt client slouží jako vstupní bod pro zbytek lekce.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Vytvoření minimálního agenta
Metoda client.beta.agents.create() přijímá tři povinné parametry a několik volitelných. Začněme tím naprosto nejnutnějším.
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}")
Tento agent je minimalistický: žádné specifické instrukce, žádné nástroje, žádné ochranné mechanismy. Chová se jako vylepšený koncový bod Chat Completions s perzistencí. Všimni si identifikátoru vráceného v agent.id: to je to, co ukládáš na straně aplikace, protože jde o jedinou stabilní referenci na tuto konfiguraci.
Definování chování pomocí instrukcí
Instrukce fungují jako systémový prompt a jsou hlavním pákou pro řízení chování. Níže uvedený příklad transformuje obecného asistenta v právního experta, jehož rozsah, formát a limity jsou explicitně vymezeny.
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"""
)
Všimni si struktury tohoto promptu: na začátku je definice role, následovaná číslovanými pravidly. Toto sekcionální uspořádání pomáhá modelu prioritizovat omezení. Buď konkrétní ohledně role, tónu a limitů, místo abys psal „buď nápomocný“. Především anticipate hraniční případy – co má agent dělat, pokud otázka spadá mimo jeho doménu? Řádek o vyhledání názoru právníka to řeší přesně. Nakonec zacházej s instrukcemi jako s kódem: budeš je muset několikrát otestovat a revidovat, než začnou produkovat očekávané chování.
Řízení generování
Parametr completion_args konfiguruje vzorkovač, tedy způsob, jakým model vybírá svá slova. Agent pověřený přehledem faktů nepotřebuje stejnou míru volnosti jako agent pro brainstorming.
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— Rozsah od 0,0 (deterministické) do 1,0 (kreativní). Pro faktické úkoly upřednostni 0,1–0,3.top_p— Filtrace kumulativní pravděpodobnosti. 0,9 je dobrá výchozí hodnota.max_tokens— Striktní limit na výstupní tokeny.
Vybavení agenta nástroji
Agent se stává skutečně autonomním, když může působit mimo text. Následující konfigurace mu poskytuje přístup k webu i provádění kódu: když čelí otázce porovnávající dnešní sazby, sám získá hodnoty a vypočítá výsledek bez tvého zásahu.
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}
)
Mezi dostupné nástroje patří: web_search, web_search_premium, code_interpreter, image_generation, document_library.
Správa životního cyklu agenta
Tvoji agenti jsou perzistentní zdroje na straně Mistral a budeš je spravovat jako jakýkoli jiný zdroj: vyhledávat je, upravovat je, mazat je. Výpis je obzvláště užitečný během vývoje, kdy rychle skončíš s desítkami testovacích agentů, jejichž ID jsi ztratil.
# Výpis všech tvých agentů
agents = client.beta.agents.list()
for a in agents.data:
print(f"{a.name} ({a.id})")
# Získání agenta podle jeho ID
agent = client.beta.agents.get(agent_id="ag-xxxxxxxx")
Aktualizace jsou částečné: upraví se pouze poskytnutá pole; ostatní zůstanou tak, jak jsou. To ti umožňuje v produkci zpřesňovat instrukce, aniž bys musel znovu deklarovat celou konfiguraci.
agent = client.beta.agents.update(
agent_id=agent.id,
instructions="New updated instructions.",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
Mazání je však trvalé.
client.beta.agents.delete(agent_id=agent.id)
Kompletní příklad
Pojďme to vše spojit do plně funkčního agenta: vytvoření, konverzace a načtení odpovědi. Tento skript můžeš použít tak, jak je; stačí změnit název a instrukce a během několika minut budeš mít svého vlastního operačního analytika.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Vytvoření agenta
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}
)
# Zahájení konverzace
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest advancements in agentic AI in 2026?"
)
# Zobrazení odpovědi
for entry in response.outputs:
if hasattr(entry, "content"):
print(entry.content)
Závěrečná smyčka si zaslouží chvíli pozornosti: iteruje přes response.outputs místo čtení jediného pole, protože agent vybavený nástroji produkuje více záznamů – nejprve provedení vyhledávání, poté text. To je klíčový bod, na který se zaměříme v příští lekci.
Klíčové poznatky
client.beta.agents.create()vytvoří agenta s modelem, názvem a popisem (povinné)- Instrukce definují chování – to je hlavní páka
completion_argsřídí generování (temperature, top_p, max_tokens)- Agent může mít současně povoleno více nástrojů
- Agenti jsou znovu použitelné konfigurace, nikoli instance konverzací