Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Nástroj code_interpreter: Spouštění Pythonu

Lekce 9 z 18 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Spouštění kódu v cloudu Mistral
  2. Vytvoření agenta s Code Interpreter
  3. Spuštění执行ání
  4. Struktura odpovědi
  5. Co nástroj mění v praxi
  6. Kombinace s dalšími nástroji
  7. Omezení sandboxu
  8. Klíčové poznatky

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_interpreter spouští 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