Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Ræsonnement i agenter og samtaler

Lektion 4 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Tre måder at kalde en ræsonnerende model på
  2. En agent, der ræsonnerer
  3. Læsning af samtaleoutput
  4. En samtale uden en agent
  5. Ræsonnement og værktøjer
  6. Sammenligning af de tre tilgange
  7. Bedste praksis for integration
  8. Vigtige pointer

Lektien omskrevet den 2. november 2026 til Mistral Small 4 og Large 4. Mistral dokumentation angiver, at reasoning_effort er tilgængelig på Agents- og Conversations-endepunkterne inden for feltet completion_args. Kilder: Reasoning · Python SDK — Conversations.

Tre måder at kalde en ræsonnerende model på

Tidligere lektioner brugte Chat Completions API: Du sendte hele historikken med hvert kald, og reasoning_effort gik direkte ind i anmodningen. Mistral tilbyder to andre grænseflader: Agents API, som gemmer en genanvendelig konfiguration (model, instrukser, værktøjer, parametre), og Conversations API, som bevarer historikken på serveren. I disse to API’er angiver du ikke ræsonnementet på øverste niveau; du indlejrer det i completion_args sammen med andre generationsparametre.

En agent, der ræsonnerer

Ved at indstille ræsonnementsniveauet i agentdefinitionen undgår du at gentage det ved hvert kald og sikrer, at hele dit team bruger samme indstilling:

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

Læsning af samtaleoutput

En samtale returnerer ikke choices; den returnerer en liste over poster (outputs). Modellens svar findes i poster af typen message.output. Som med Chat Completions er indholdet enten en streng eller en liste over bidder, der kan inkludere en ThinkChunk. Funktionen separer fra lektion 3 fungerer præcis som før:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Andre poster beskriver, hvad der skete under tur, såsom værktøjsudførelse (tool.execution) eller et funktionskald. Ignorer dem, hvis du kun er interesseret i det endelige svar.

En samtale uden en agent

Til engangsopgaver accepterer Conversations API en model direkte uden forudgående agentopsætning. Serveren bevarer historikken, og du fortsætter udvekslingen med conversations.append, hvor du om nødvendigt justerer ræsonnementsniveauet for en specifik tur:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Dette er en konkret fordel i forhold til Chat Completions, hvor dokumentationen kræver, at du genspiller assistentens fulde besked, inklusive refleksion, ved hver ny tur (lektion 7). Med Conversations API bevarer serveren historikken; du behøver ikke at gensende den ved hvert kald.

Ræsonnement og værktøjer

En agent kan kombinere ræsonnement og værktøjer: tools og completion_args er uafhængige felter, når du opretter en agent. En analyseagent kan således have websøgning og dyb ræsonnering:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Hold dog øje med omkostningerne: Refleksion og værktøjskald lægger sig sammen på regningen for en enkelt tur.

Sammenligning af de tre tilgange

KriteriumChat CompletionsAgenterSamtaler
Hvor ræsonnement indstillesreasoning_effort i anmodningencompletion_args i agentencompletion_args i start eller append
HistorikGensendes ved hvert kald, inkl. refleksionBæres af samtalenGemmes på serveren
Indbyggede værktøjer (web_search…)NejJaJa
Typisk brugEngangskald, fuld kontrolDelt, genanvendelig konfigurationFlertrinsudvekslinger

Bedste praksis for integration

Indstil ræsonnementsniveauet i agenten, når opgaven er ensartet, og pr. tur, når det varierer: En indledende analysetur på high, efterfulgt af omformuleringsture på low eller none, afhængigt af modellen. Verificér, at værdien passer til agentens model: Small 4 accepterer high og none; Large 4 accepterer low, medium og high. Log endelig tokenforbrug pr. tur; det er den eneste måde at vide, om ræsonnementet betaler sig for din use case.

Vigtige pointer

  • I Agents- og Conversations-API’erne skal du sende reasoning_effort inde i completion_args
  • Svar ankommer i outputs; tekst findes i poster af typen message.output, inklusive refleksion
  • Conversations API bevarer historik på serveren: Ingen grund til at gensende den hver tur
  • Du kan ændre niveauet ved hver tur med conversations.append
  • En agent kan kombinere indbyggede værktøjer og ræsonnement, men det koster kumulativt forbrug