Praktické příklady režimu JSON
Na této stránce
Aktualizováno 3. listopadu 2026: Příklad v TypeScriptu dříve importoval
Mistraljako výchozí export, ale SDK poskytuje pouze pojmenovaný export (import { Mistral } from "@mistralai/mistralai"). Také natvrdo kódoval API klíč a vynucoval typcontentpomocí!, což je nedostatečné, protože toto pole může být také seznamem chunků. Ověřeno kompilací se SDK 3.5.0 a TypeScript 7.0.2. Zdroj: Mistral TypeScript SDK.
Nasazení režimu JSON do praxe
Umíš aktivovat režim JSON; nyní se podíváme na konkrétní příklady. Tři scénáře se v reálných projektech objevují neustále a každý ilustruje jiný způsob využití tohoto režimu. Kód je uveden v Pythonu, s ekvivalenty v TypeScriptu tam, kde převod není okamžitý.
Extrakce entit z nestrukturovaného textu
Extrakce entit je nejčastějším a nákladově nejefektivnějším případem použití: obchodní e-mail obsahuje úplné kontaktní údaje, ale ty jsou pohřbeny v patičce a zdvořilostních frázích. Klíčovým pokynem v následujícím příkladu je poslední řádek systémové výzvy – požadavek na null pro chybějící informace brání modelu v tom, aby si vymýšlel telefonní číslo jen proto, aby vyplnil pole.
from mistralai.client import Mistral
import json
client = Mistral(api_key="your-api-key")
email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
},
{"role": "user", "content": email_text}
],
response_format={"type": "json_object"},
temperature=0
)
contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")
Očekávaný výstup:
{
"name": "Marie Dupont",
"title": "Sales Director",
"company": "TechVision SAS",
"phone": "06 12 34 56 78",
"email": "[email protected]",
"address": "42 rue de la Paix, 75002 Paris"
}
Klasifikace podporových tiketů
Klasifikace vyžaduje odlišný přístup: místo toho, abychom nechali model vybrat vlastní hodnoty, vyjmenujeme v promptu povolené hodnoty pro každé pole. Díky tomu jsou výsledky porovnatelné od tiketu k tiketu a přímo použitelné pro směrování. Všimni si přepnutí na mistral-small-latest – třídění tiketů neospravedlňuje použití nejmocnějšího modelu.
tickets = [
"My payment was charged twice, I demand an immediate refund!",
"How can I change my password?",
"Your app crashes every time I open the settings tab.",
]
for ticket in tickets:
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "system",
"content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
},
{"role": "user", "content": ticket}
],
response_format={"type": "json_object"},
temperature=0
)
result = json.loads(response.choices[0].message.content)
print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")
Zde je stejný klasifikátor v TypeScriptu. Kontrola před JSON.parse nám připomíná, že SDK typuje content jako volitelné a jako string | ContentChunk[]: parsovat lze pouze řetězec.
import { Mistral } from "@mistralai/mistralai";
const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });
const ticket = "My payment was charged twice!";
const response = await client.chat.complete({
model: "mistral-small-latest",
messages: [
{
role: "system",
content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
},
{ role: "user", content: ticket },
],
responseFormat: { type: "json_object" },
temperature: 0,
});
const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);
Převod popisu na produktový list
Třetí scénář: transformace marketingového textu na záznam připravený pro databázi. Toto cvičení je složitější, protože záleží na typech – cena musí přijít jako číslo, doba dodání jako dvě celá čísla a doprava zdarma jako boolean. Proto jsou v promptu tak přesné anotace.
product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
},
{"role": "user", "content": product_text}
],
response_format={"type": "json_object"},
temperature=0
)
product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))
Výsledek:
{
"name": "MacBook Pro 16-inch",
"brand": "Apple",
"price_eur": 2799,
"specs": {
"ram_gb": 24,
"storage_gb": 512,
"screen": "Liquid Retina XDR"
},
"colors": ["Space Black", "Silver"],
"delivery_days_min": 3,
"delivery_days_max": 5,
"free_shipping": true
}
Všimni si, že značka Apple se v zdrojovém textu nikde nevyskytuje: model ji odvodil z názvu produktu. To je silná stránka pro obohacování dat, ale také riziko, které musíš hlídat, pokud vyžaduješ striktně doslovnou extrakci.
Zpracování více položek v jednom volání
Nic tě nenutí dělat jedno volání na jednu položku. Pokud požádáš model o seznam pod jediným klíčem, snížíš počet požadavků – a tím i kumulativní latenci – u krátkých úloh, jako je analýza recenzí. Zde požadované skóre se pohybuje od -1,0 do 1,0, což je užitečná konvence pro následnou agregaci výsledků.
texts = [
"Excellent product, I recommend it!",
"Late delivery, damaged product.",
"Decent for the price, nothing exceptional."
]
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "system",
"content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
},
{"role": "user", "content": "\n---\n".join(texts)}
],
response_format={"type": "json_object"},
temperature=0
)
reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")
Jeden detail společný všem těmto příkladům si zaslouží zdůraznění: temperature=0 je zde systematické. U úloh extrakce a klasifikace kreativita nic nepřináší a stojí nás reprodukovatelnost.
Klíčové poznatky
- Režim JSON vyniká při extrakci dat, klasifikaci a konverzi
- Použij systémový prompt k definici očekávané struktury a typů
temperature=0zajišťuje reprodukovatelné výsledky- Dávkové zpracování v jediném požadavku je možné vyžádáním seznamu JSON
- Před přístupem k datům vždy parseuj odpověď pomocí
json.loads()/JSON.parse()