Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Vytvoření agenta pomocí Python API

Lekce 4 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Tvůj první agent Mistral
  2. Předpoklady
  3. Vytvoření minimálního agenta
  4. Definování chování pomocí instrukcí
  5. Řízení generování
  6. Vybavení agenta nástroji
  7. Správa životního cyklu agenta
  8. Kompletní příklad
  9. Klíčové poznatky

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_args řídí generování (temperature, top_p, max_tokens)
  • Agent může mít současně povoleno více nástrojů
  • Agenti jsou znovu použitelné konfigurace, nikoli instance konverzací