Definér funktioner i Python
På denne side
Fra teori til kode
Nu har du styr på femtrinsprocessen og strukturen i JSON Schema. Det er tid til at skrive rigtig Python-kode. I denne lektion opretter du funktioner, udarbejder deres specifikationer og klargør alt til Mistral API – alt det, der skal være på plads, før du foretager det første netværkskald.
Installer Mistral SDK
Start med at installere den officielle pakke:
pip install mistralai
Dernæst skal du konfigurere din API-nøgle. Bedste praksis dikterer, at du aldrig hardcoder den i dine kildefiler. Læs den i stedet fra en miljøvariabel, så du sikkert kan committe din kode til versionskontrol.
export MISTRAL_API_KEY="your-api-key"
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Opret Python-funktioner
Lad os se på et gennemarbejdet eksempel: et system til sporing af betalinger backed af en Pandas DataFrame. Dette er et klassisk eksempel fra Mistral-dokumentationen, og det illustrerer konceptet perfekt – her spiller DataFrame’en den rolle, en database ville have i produktion.
import pandas as pd
import json
# Betalingsdata
data = {
"transaction_id": ["T1001", "T1002", "T1003", "T1004", "T1005"],
"customer_id": ["C001", "C002", "C003", "C002", "C001"],
"payment_amount": [125.50, 89.99, 350.00, 45.00, 210.75],
"payment_date": ["2026-03-15", "2026-03-16", "2026-03-17", "2026-03-17", "2026-03-18"],
"payment_status": ["paid", "paid", "pending", "paid", "failed"]
}
df = pd.DataFrame(data)
Dernæst kommer koden, der faktisk tilgår disse data. Det er almindelige Python-funktioner; intet i deres implementering antyder, at en LLM vil styre dem.
def retrieve_payment_status(df: pd.DataFrame, transaction_id: str) -> str:
"""Henter status for en betaling baseret på dens ID."""
if transaction_id in df["transaction_id"].values:
status = df[df["transaction_id"] == transaction_id]["payment_status"].values[0]
return json.dumps({"status": status})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
def retrieve_payment_date(df: pd.DataFrame, transaction_id: str) -> str:
"""Henter datoen for en betaling baseret på dens ID."""
if transaction_id in df["transaction_id"].values:
date = df[df["transaction_id"] == transaction_id]["payment_date"].values[0]
return json.dumps({"date": date})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
To implementeringsdetaljer fortjener din opmærksomhed. For det første returnerer disse funktioner altid en JSON-streng, aldrig et rå Python-objekt. Dette er det format, modellen forventer som værktøjsresultat, så json.dumps() er ikke til forhandling. For det andet håndterer de eksplicit tilfældet, hvor en transaktion ikke findes, i stedet for at udløse en undtagelse. Denne fejl, formateret som JSON, returneres til modellen ligesom ethvert andet resultat, hvilket giver den mulighed for høfligt at informere brugeren om, at transaktion T9999 ikke eksisterer. Du vil senere i kurset se, hvorfor denne refleks er afgørende.
Skriv JSON-specifikationer
Hver funktion har brug for en specifikation, så modellen kan forstå den. Her anvender du strukturen fra den foregående lektion på de to funktioner ovenfor – bemærk den strenge overensstemmelse mellem felterne name og de faktiske Python-funktionsnavne.
tools = [
{
"type": "function",
"function": {
"name": "retrieve_payment_status",
"description": "Retrieves the status of a payment (paid, pending, failed) "
"based on the transaction ID.",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Unique transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "retrieve_payment_date",
"description": "Retrieves the date a payment was made "
"based on the transaction ID.",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Unique transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
}
]
Organisér funktioner i et ordbog
Modellen returnerer et funktionsnavn som en streng. Du har brug for en måde at mappe den streng til det tilsvarende kaldbare objekt uden at ty til eval eller en kaskade af if-sætninger. En dispatch-ordbog løser dette problem på tre linjer.
from functools import partial
# Bind DataFrame'en til hver funktion
available_functions = {
"retrieve_payment_status": partial(retrieve_payment_status, df),
"retrieve_payment_date": partial(retrieve_payment_date, df),
}
functools.partial adresserer en specifik, reel udfordring. Dine funktioner forventer to argumenter – DataFrame’en og ID’et – men modellen leverer kun ét. Modellen ved intet om df, og det skal den heller ikke. partial udfylder den første parameter én gang for alle. Den samme mekanisme gælder for databaseforbindelser, HTTP-klienter eller autentificeringstokens. Dynamisk invocation bliver derefter triviel.
function_name = "retrieve_payment_status"
function_params = {"transaction_id": "T1001"}
result = available_functions[function_name](**function_params)
# → '{"status": "paid"}'
Indstillingen tool_choice
Når du sender disse værktøjer til API’et, bestemmer parameteren tool_choice, hvor meget frihed du giver modellen. Tre værdier er mulige.
# Modellen beslutter, om den skal bruge et værktøj eller svare direkte (standard)
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
tools=tools,
tool_choice="auto"
)
# Tving modellen til at bruge et værktøj
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
tools=tools,
tool_choice="any"
)
# Forhindr modellen i at bruge værktøjer
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
tools=tools,
tool_choice="none"
)
"auto"-tilstanden er mest almindelig i produktion af gode grunde: en assistent til sporing af betalinger bør kunne sige „hej” uden at udløse en databaseforespørgsel. Modellen svarer direkte på generelle spørgsmål og bruger kun funktioner, når det er relevant. En hel lektion senere i kurset dækker specifikke brugstilfælde for any og none.
Vigtige pointer
- Funktioner skal returnere JSON-strenge – aldrig rå Python-objekter
- Brug en dispatch-ordbog til at mappe funktionsnavne til deres implementeringer
functools.partialer ideel til at udfylde parametre på forhånd som DB-forbindelser eller DataFramestool_choicestyrer, om modellen kan eller skal bruge funktioner (auto,any,none)- Håndtér altid fejlsituationer i dine funktioner (ugyldige parametre, manglende data)