Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Mistral na Azure AI

Lekce 11 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Proč používat Mistral přes Azure?
  2. Volba mezi serverless a vyhrazeným GPU
  3. Modely dostupné na Azure
  4. Získání pověření
  5. Volání modelu v Pythonu
  6. Stejné volání v TypeScriptu
  7. Využití zbytku platformy
  8. Klíčové poznatky

Aktualizováno 3. listopadu 2026: Příklad v TypeScriptu dříve předával process.env.AZUREAI_API_KEY a process.env.AZUREAI_ENDPOINT přímo do MistralAzure. Protože jsou obě možnosti povinné, TypeScript 7 v přísném režimu odmítl kompilaci (ověřeno s @mistralai/mistralai-azure 2.1.0). Proměnné prostředí jsou nyní validovány před vytvořením klienta. Zdroj: @mistralai/mistralai-azure SDK.

Proč používat Mistral přes Azure?

Tato otázka vyvstává zřídka z technických důvodů: přímé API Mistral funguje perfektně. Vyvstává však z důvodů smluvních a organizačních. Společnost již zapuštěná do ekosystému Microsoftu čerpá ze sjednaného závazku vůči Azure, má zavedené nákupní procesy a nemá žádnou chuť otevírat novou smlouvu s dodavatelem jen kvůli několika tisícům eur za tokeny.

Použití Azure AI konsoliduje fakturaci do vaší stávající smlouvy s Azure, zajišťuje soulad s GDPR prostřednictvím evropských regionů, poskytuje nativní integraci s dalšími službami Azure – Azure Functions, Cosmos DB, Azure ML – a nabízí podnikovou podporu od Microsoftu s odpovídajícími úrovněmi služeb (SLA). Stručně řečeno: stejný model, ale uvnitř hranic správy, které vaše IT oddělení již schválilo.

Volba mezi serverless a vyhrazeným GPU

Azure nabízí dva přístupy a volba závisí na pravidelnosti vaší zátěže. Režim platby podle skutečné spotřeby (pay-as-you-go), známý také jako MaaS (Model as a Service), vystavuje serverless API: žádné GPU k nasazování, platíte pouze za spotřebované tokeny a Azure se samo postará o škálování. Toto je doporučený režim pro většinu případů použití, zejména dokud je váš provoz nepravidelný nebo nepředvídatelný.

Real-time endpoints řeší opačnou potřebu. Vyberete si typ a počet GPU, infrastruktura je vyhrazena pouze vám a fakturace probíhá za počítačovou hodinu – ať už model pracuje, nebo zahálí. Interní API neustále zatěžované několika tisíci uživateli do tohoto modelu zapadá; prototyp přístupný třikrát denně zde však promrhá spoustu peněz. Pamatujte si pravidlo: tento režim se doporučuje pro předvídatelné zátěže s vysokou propustností.

Modely dostupné na Azure

Dokumentace Mistral uvádí na Azure následující modely (seznam získán 2. listopadu 2026). Katalog se pravidelně vyvíjí: aktuální seznam najdete na oficiální stránce.

ModelPozicování
Mistral Medium 3.5Dobrý poměr výkon/cena
Mistral Large 3 (25.12)Vlajková loď pro složité úlohy
Mistral Small (25.06)Rychlý a ekonomický
Codestral (25.01)Specializovaný na generování kódu
Ministral 3B (24.10)Kompaktní model pro lehké úlohy
Document AI (OCR 4)Extrakce textu a struktury z dokumentů

Získání pověření

Získání pověření probíhá přes rozhraní Azure a zabere několik minut:

  1. Přejděte na Microsoft Foundry
  2. Vytvořte projekt nebo vyberte existující
  3. Nasaďte model Mistral z katalogu modelů
  4. Získejte svůj endpoint a API klíč ze stránky nasazení

Tyto dvě hodnoty umístěte do proměnných prostředí, přesně jako přímý klíč Mistral. Rozdíl spočívá v endpointu: každé nasazení na Azure má svůj vlastní; neexistuje žádná společná URL.

export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com"
export AZUREAI_API_KEY="your-azure-secret-key"

Volání modelu v Pythonu

SDK Mistral poskytuje vyhrazeného klienta pro Azure, MistralAzure, který je součástí balíčku mistralai: předáte mu URL svého nasazení a klíč a zbytek kódu je totožný s tím, co píšete pro přímé API. Od verze SDK 2.0 (březen 2026) se importuje z mistralai.azure.client.

import os
from mistralai.azure.client import MistralAzure

client = MistralAzure(
    server_url=os.environ["AZUREAI_ENDPOINT"],
    api_key=os.environ["AZUREAI_API_KEY"],
)

response = client.chat.complete(
    model="azureai",  # Identifikátor očekávaný endpointy Azure
    messages=[
        {"role": "user", "content": "Jaké jsou výhody svrchovaného cloudu v Evropě?"}
    ]
)

print(response.choices[0].message.content)

Nejmatoucím bodem je parametr model. Očekáváte, že napíšete mistral-large-latest; místo toho musíte vložit azureai. Důvod je prostý: model je již určen nasazením, které jste vytvořili na straně Azure; endpoint ukazuje na něj a pouze na něj. Změna modelu tedy znamená změnu endpointu, nikoli změnu řetězce v kódu.

Streamování se však oproti přímému API nemění ani o píď – stejná metoda, stejná úroveň .data pro dosažení obsahu chunku. To je celý smysl jednotného SDK: kód, který jste napsali v předchozích lekcích, funguje tak, jak je.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Popište architekturu datového jezera na Azure."}
    ]
)

for chunk in stream:
    content = chunk.data.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

Stejné volání v TypeScriptu

Na straně TypeScriptu je klient pro Azure publikován v samostatném balíčku @mistralai/mistralai-azure, který nainstalujete pomocí npm add @mistralai/mistralai-azure. Jeho možnosti následují konvence pojmenování v JavaScriptu: apiKey a endpoint, přičemž obě jsou povinné. Odtud plyne nutnost validace proměnných prostředí, bez níž přísný režim odmítne kompilaci, protože proměnná prostředí může chybět:

import { MistralAzure } from '@mistralai/mistralai-azure';

const apiKey = process.env.AZUREAI_API_KEY;
const endpoint = process.env.AZUREAI_ENDPOINT;
if (!apiKey || !endpoint) {
  throw new Error('Nastavte AZUREAI_API_KEY a AZUREAI_ENDPOINT.');
}

const client = new MistralAzure({ apiKey, endpoint });

const response = await client.chat.complete({
  model: 'azureai',
  messages: [
    { role: 'user', content: 'Jak zabezpečit Azure Key Vault?' },
  ],
});

console.log(response.choices[0]?.message?.content);

Zdroje: Mistral na Azure (dokumentace Mistral) · TypeScript SDK @mistralai/mistralai-azure

Využití zbytku platformy

Jakmile volání funguje, využijte služby, za které již platíte. Ukládejte své klíče do Azure Key Vault místo do proměnných prostředí: rotace se stane administrativní operací, nikoli opětovným nasazením. Povolte diagnostické protokoly na svém endpointu pro monitorování latence a chyb; je to jediný způsob, jak rozlišit pomalost modelu od pomalosti kódu. Vyberte si evropský region, West Europe nebo France Central, abyste zůstali v souladu s GDPR – to je často samotný důvod volby Azure. Nakonec nakonfigurujte alerty Azure Monitor na spotřebu tokenů: špatně uzavřená smyčka v noční úloze se na faktuře projeví mnohem později než v alertu.

Klíčové poznatky

  • Azure AI nabízí Mistral v režimech serverless (MaaS) nebo vyhrazené GPU
  • Model je v API voláních identifikován jako "azureai"
  • Klient MistralAzure přijímá endpoint přes server_url (Python, mistralai.azure.client) nebo endpoint (TypeScript, @mistralai/mistralai-azure)
  • Integrace s ekosystémem Azure (Key Vault, Monitor, Functions) je pro podniky velkou výhodou
  • Pro zachování souladu s GDPR zvolte evropský region