Nástroj code_interpreter: Spouštění Pythonu
Na této stránce
Spouštění kódu v cloudu Mistral
Nástroj code_interpreter umožňuje tvému agentovi psát a spouštět kód Python uvnitř izolovaného kontejneru (sandbox). Je ideální volbou pro výpočty, analýzu dat, generování grafů a validaci kódu. Nejde jen o pohodlí: LLM, který „počítá“ ve své hlavě, produkuje věrohodný výsledek, nikoliv nutně správný. Přenesením operace na skutečný interpret nahrazuješ predikci tokenů ověřitelným执行áním, čímž získáváš kód, který můžeš zkontrolovat.
Vytvoření agenta s Code Interpreter
Instrukce pro tohoto agenta vyžadují, aby zobrazil kód před jeho执行áním, což ti dává kontrolní bod nad tím, co se skutečně spustí.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="Code Agent",
instructions="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
tools=[{"type": "code_interpreter"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Spuštění执行ání
K vyvolání nástroje stačí jednoduchý požadavek na výpočet; není potřeba žádné speciální instrukce od tebe.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Calculate the first 20 Fibonacci numbers."
)
Agent následně napíše skript v Pythonu pro výpočet posloupnosti, spustí jej v sandboxu a prezentuje výsledky spolu s vysvětlením. Dvacet hodnot, které obdržíš, pochází ze skutečného执行ání: budou přesné i v bodech, kde by model obvykle začal dělat chyby.
Struktura odpovědi
Tento mechanismus můžeš číst přímo v vrácených záznamech a tvůj kód musí rozlišovat mezi textem a výsledky执行ání.
for entry in response.outputs:
if entry.type == "message.output":
# First response: "I will calculate..." or final result
print(f"Message: {entry.content}")
elif entry.type == "tool.execution":
# Executed code and result
print(f"Code: {entry.info.code}")
print(f"Output: {entry.info.code_output}")
Agent začne zprávou message.output, která oznamuje, co hodlá udělat. Následuje tool.execution, kde se kód spustí: info.code obsahuje skript a info.code_output drží jeho výstup. Sekvenci uzavírá druhá zpráva message.output, ve které agent interpretuje a vysvětluje výsledky. Tato dvě pole, info.code a info.code_output, jsou tvou auditní stopou – uchovávej je v logech své aplikace, protože ti umožní replayovat a zpochybnit jakékoliv číslo vyprodukované agentem.
Co nástroj mění v praxi
Analýza dat je nejbezprostřednějším případem použití. Poskytni řadu hodnot a požádej o statistiky: průměr, medián a směrodatná odchylka jsou vypočítány, nikoliv odhadnuty.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Here are the monthly sales (in K€):
Jan: 120, Feb: 135, Mar: 142, Apr: 128, May: 155, Jun: 168
Calculate the mean, median, standard deviation, and trend."""
)
Generování grafů přirozeně rozšiřuje tuto schopnost, protože prostředí zahrnuje knihovny pro vykreslování.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Create a bar chart of cloud market shares in Europe: AWS 31%, Azure 25%, GCP 11%, OVH 8%, Others 25%"
)
Agent použije matplotlib k vygenerování grafu. Výsledkem je obrazový soubor přístupný v odpovědi – ujisti se tedy, že tvůj čtecí kód tento případ zpracovává, jinak skončíš pouze s doprovodným textovým komentářem.
Validace kódu je třetím případem použití, méně zřejmým, ale cenným. Předlož funkci a testovací případy, které má pokrýt: agent o kódu nejen uvažuje, ale také jej spouští. V níže uvedeném příkladu vstup "Madam" odhalí chybu, kterou by prostá revize kódu pravděpodobně přehlédla.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Check if this function is correct:
def is_palindrome(s):
return s == s[::-1]
Test it with: "radar", "hello", "kayak", "Madam"
"""
)
Aplikovaná matematika seznam uzavírá: řešení soustav rovnic, lineární algebra, optimalizace. I zde odpověď spoléhá na řešič, nikoliv na intuici.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)
Kombinace s dalšími nástroji
Agent může mít současně povoleno více nástrojů a právě zde se často objevuje skutečná hodnota: vyhledávání přináší čerstvá data, která kód transformuje do analýzy.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Complete Analyst",
description="Search + Calculation",
instructions="Search for recent data then analyze it with code.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter"}
]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Find the current price of Bitcoin and calculate its percentage change over the last 30 days."
)
Agent automaticky vybírá, který nástroj použít v každém kroku. V tomto požadavku je řetězí za sebou: změnu nemůžeš vypočítat, aniž bys nejprve získal hodnoty, a tyto hodnoty nezískáš bez přístupu k webu.
Omezení sandboxu
Toto izolované prostředí ukládá omezení, která bys měl znát před návrhem své aplikace. Knihovny jsou limitované: standardní balíčky Pythonu jsou dostupné – numpy, pandas, matplotlib a další – ale ne všechny balíčky třetích stran, což vylučuje tvé interní závislosti. Kód nemá přístup k síti, takže se k němu data musí dostat prostřednictvím kontextu nebo jiného nástroje, nikdy prostřednictvím HTTP volání napsaného ve skriptu. Doba执行ání je ohraničená, takže dlouho běžící procesy jsou přerušeny: velké objemy rozděluj, místo abys doufal v jediný průchod. Nakonec, mezi voláními neexistuje perzistence; soubor vytvořený během jednoho执行ání nebude v dalším nalezen.
Klíčové poznatky
code_interpreterspouští Python v zabezpečeném sandboxu na straně Mistral- Odpověď obsahuje执行aný kód (
info.code) a jeho výstup (info.code_output) - Ideální pro výpočty, analýzu dat a generování grafů
- Lze kombinovat s dalšími nástroji (web_search atd.)
- Sandbox má omezení: žádný přístup k síti, limitované knihovny, žádná perzistence