Konverzace bez agenta
Na této stránce
Přímý režim modelu
K využití API pro konverzace nemusíš vždy vytvářet objekt Agent. Mistral ti umožňuje zahájit konverzaci přímo s modelem, což ti poskytne perzistenci bez vrstvy konfigurace agenta. Tato schopnost přímo vyplývá z architektury, kterou jsme probírali dříve: konverzace je nezávislá na agentovi, takže může perfektně existovat samostatně.
Existuje několik scénářů, kdy je toto řešení výhodnější než použití registrovaného agenta. Možná potřebuješ perzistenci bez definování opakovaně použitelného agenta, například proto, že každé vlákno v tvé aplikaci je jedinečné. Možná rychle testuješ chování s vestavěnými nástroji a vytváření a následné mazání agenta pro každý pokus tě zpomaluje. Tvůj případ použití může být jednorázový: nic neospravedlňuje ukládání konfigurace, kterou použiješ jen jednou. Nebo mohou být tvé instrukce dynamické, vypočítané za běhu na základě profilu uživatele nebo aktuálního dokumentu – v takovém případě by statický agent byl špatnou volbou.
Zahájení konverzace s modelem
Místo předání agent_id předáš přímo model:
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.beta.conversations.start(
model="mistral-medium-latest",
inputs=[
{"role": "user", "content": "Who is Albert Einstein?"}
]
)
print(response.outputs[-1].content)
Všechno závisí na této volbě parametru. S agent_id dědí volání registrovanou konfiguraci agenta: jeho instrukce, nástroje a ochranná pravidla. S model jsi v přímém režimu a vše konfiguruješ přímo v požadavku – nic se nepamatuje nad rámec tohoto volání.
Přidávání nástrojů v přímém režimu
Vestavěné nástroje nejsou vyhrazeny pouze pro agenty. Deklaruješ je v požadavku přesně tak, jak bys to udělal při vytváření agenta.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[
{"role": "user", "content": "What are the latest Ligue 1 results?"}
],
tools=[{"type": "web_search"}]
)
Funkčně je to ekvivalentní agentovi s web_search, ale bez perzistence konfigurace. Rozdíl se projeví u desátého volání: u agenta bys změnil teplotu jednou provždy; zde ji musíš opakovat v každém požadavku a nic nezaručuje, že zapomenuté volání někde v tvém kódu používá stejná nastavení.
Předávání dynamických instrukcí
V přímém režimu nabývá systémový prompt formy zprávy system umístěné na začátku vstupů.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[
{"role": "system", "content": "You are an expert in French cuisine. Answer in 3 sentences maximum."},
{"role": "user", "content": "How do I make a perfect béarnaise sauce?"}
]
)
To ti poskytuje stejnou flexibilitu jako instrukce agenta, ale jsou pomíjivé – a co je klíčové, tento řetězec lze sestavit za běhu, což instrukce registrovaného agenta neumožňuje.
Pokračování v konverzaci v přímém režimu
Mechanismus perzistence funguje přesně stejně jako u agenta: první volání vrátí conversation_id, následná volání se k němu připojí a každé připojení zase vrátí nový identifikátor.
# První výměna
response1 = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[{"role": "user", "content": "Tell me about the French Revolution."}]
)
# Druhá výměna — kontext je zachován
response2 = client.beta.conversations.append(
conversation_id=response1.conversation_id,
inputs="Who were the main figures?"
)
# Model ví, že mluvíme o Francouzské revoluci
Druhá otázka nejmenuje svůj předmět a nepotřebuje to: perzistence nezávisí na existenci agenta, ale pouze na konverzaci.
Agent versus přímý režim: Jak se rozhodnout
Vytvoř agenta hned, jakmile stejná konfigurace slouží více konverzacím, protože pak získáš jediný bod úpravy: oprava instrukce aktualizuje všechna budoucí vlákna. Je to také jediná cesta, pokud jsou tvé instrukce od relace k relaci stabilní, pokud plánuješ předávání mezi více agenty – což podrobně rozebere lekce věnovaná tomuto tématu – nebo pokud tvoje organizace vyžaduje centralizovanou, auditovatelnou konfiguraci, kde můžeš odpovědět na otázku: „S jakými instrukcemi byl tento asistent spuštěn?“
Zůstaň v přímém režimu pro symetrické případy: prototyp nebo jednorázové použití, instrukce, které se mění s každou konverzací, žádná potřeba předávání nebo snaha snížit počet volání API eliminací vytváření a mazání agentů. Ve vývoji často stačí právě tento poslední důvod sám o sobě.
Příklad: Otázka ve vynuceném kontextu
Následující funkce dokonale ilustruje přímý režim. Kontext je argument, takže se liší při každém volání, a systémový prompt je kolem něj postaven tak, aby modelu zabránil čerpat z vnějších znalostí. Žádný registrovaný agent by toto omezení nést nemohl, protože se mění při každém vyvolání.
def ask_question(context: str, question: str):
"""Ask a question within a given context, without creating an agent."""
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[
{"role": "system", "content": f"Context: {context}. Answer using only this context."},
{"role": "user", "content": question}
]
)
return response.outputs[-1].content
# Usage
answer = ask_question(
context="Corsen AI is a French startup specializing in sovereign AI, founded in 2025.",
question="When was Corsen AI founded?"
)
Tento vzor znovu využij pro své vlastní potřeby nahrazením pevně daného kontextu skutečně relevantním textem – zobrazeným listem produktu, vybraným úryvkem dokumentu – a získáš stavební prvek pro rámcované otázky a odpovědi bez jakékoli konfigurace, kterou by bylo třeba spravovat.
Klíčové poznatky
- Konverzace lze zahájit pomocí
model=místoagent_id= - Přímý režim nabízí perzistenci bez vrstvy konfigurace Agent
- Nástroje a instrukce můžeš předat přímo v požadavku
- Přímý režim je ideální pro prototypování a jednorázové použití
- Pro předávání a opakovaně použitelné konfigurace upřednostni vytvoření agenta