Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Deep Agent Chaining

Lektion 15 af 18 Opdateret 28. juli 2026 Udvikler
På denne side
  1. Ubegrænsede agentkæder
  2. Tre topologier og deres konsekvenser
  3. To produktionspipelines
  4. Hold dybden rimelig
  5. Vigtige pointer

Ubegrænsede agentkæder

Mistral Agents API sætter ingen grænse for dybden i agentkæder. Én agent kan overdrage til en anden, som overdrager til en tredje, og så videre. Denne frihed muliggør komplekse, modulære arbejdsgange, men den lægger også ansvaret for topologien på dig: Det er dig, der beslutter, hvem der må kalde på hvem. Dette kort bestemmer systemets adfærd lige så meget som instrukserne for hver enkelt agent.

Tre topologier og deres konsekvenser

Den lineære kæde er det enkleste mønster: Hver agent giver opgaven videre til den næste uden forgreninger.

Agent A → Agent B → Agent C → Svar

Dette passer til processer, hvor rækkefølgen er kendt på forhånd og aldrig ændrer sig. Et typisk eksempel er søgning, derefter analyse og til sidst skrivning: Du skriver ikke før analysen, og du analyserer ikke før søgningen.

# Research agent
research = client.beta.agents.create(
    model="mistral-large-latest",
    name="research",
    description="Search for factual information.",
    tools=[{"type": "web_search"}]
)

# Analysis agent
analyst = client.beta.agents.create(
    model="mistral-large-latest",
    name="analyst",
    description="Analyze data and extract insights.",
    tools=[{"type": "code_interpreter"}]
)

# Writing agent
writer = client.beta.agents.create(
    model="mistral-large-latest",
    name="writer",
    description="Draft professional reports.",
    instructions="Write a structured report based on the analyzed data."
)

# Chain: research → analyst → writer
research = client.beta.agents.update(
    agent_id=research.id,
    handoffs=[analyst.id]
)

analyst = client.beta.agents.update(
    agent_id=analyst.id,
    handoffs=[writer.id]
)

Hver agent kender kun sin umiddelbare efterfølger: research ved ikke engang, at writer eksisterer. Kæden eksisterer kun i update-kaldene og ingen andre steder.

Stjernekæden imødekommer det modsatte behov: En central router fordeler opgaver til specialister, der ikke taler med hinanden.

          ┌→ Web Search Agent
Router ──┼→ Calculator Agent
          └→ Writer Agent
router = client.beta.agents.create(
    model="mistral-large-latest",
    name="router",
    description="Orchestrate requests.",
    handoffs=[research.id, analyst.id, writer.id]
)

Her er rækkefølgen ikke på forhånd bestemt – selve forespørgslen afgør destinationen. Denne form passer til alsidige assistenter, hvor hver forespørgsel falder ind under én specifik kompetence.

Den hybride topologi kombinerer begge dele: Routeren fordeler, og specialisterne kan også overdrage til hinanden.

          ┌→ Research Agent ──→ Analyst Agent
Router ──┤                          │
          └→ Writer Agent ←───────────┘
# Research can hand off to Analyst
research = client.beta.agents.update(
    agent_id=research.id,
    handoffs=[analyst.id]
)

# Analyst can hand off to Writer
analyst = client.beta.agents.update(
    agent_id=analyst.id,
    handoffs=[writer.id]
)

# Router can access all
router = client.beta.agents.update(
    agent_id=router.id,
    handoffs=[research.id, analyst.id, writer.id]
)

Dette er den mest kraftfulde form, men også den sværeste at fejlfinde. Samme forespørgsel kan følge forskellige stier fra én kørsel til den næste, hvilket gør logning af overdragelser essentiel, så snart du forlader sandbox-miljøet.

To produktionspipelines

Databehandling illustrerer den lineære kæde i dens mest naturlige anvendelse: Indsamling, rensning og visualisering. De to sidste trin bruger samme værktøj, men ved at adskille dem holder du hvert sæt instrukser rent – rensning og repræsentation er forskellige opgaver.

# Step 1: Collection
collector = client.beta.agents.create(
    model="mistral-large-latest",
    name="data-collector",
    description="Collect data from the internet.",
    tools=[{"type": "web_search"}]
)

# Step 2: Cleaning and transformation
transformer = client.beta.agents.create(
    model="mistral-large-latest",
    name="data-transformer",
    description="Clean and transform raw data.",
    tools=[{"type": "code_interpreter"}]
)

# Step 3: Analysis and visualization
visualizer = client.beta.agents.create(
    model="mistral-large-latest",
    name="data-visualizer",
    description="Create visualizations and charts.",
    tools=[{"type": "code_interpreter"}]
)

# Chain
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[transformer.id])
transformer = client.beta.agents.update(agent_id=transformer.id, handoffs=[visualizer.id])

En akademisk research-assistent følger samme struktur, men med en anden type mellemled. Syntetisatoren har ingen værktøjer: Dens værdi ligger udelukkende i dens instrukser, som beder den om at konfrontere kilder – fælles punkter, uoverensstemmelser, huller – i stedet for blot at stable dem oven på hinanden.

# Searcher
searcher = client.beta.agents.create(
    model="mistral-large-latest",
    name="academic-searcher",
    description="Search for academic articles and publications.",
    tools=[{"type": "web_search"}]
)

# Synthesizer
synthesizer = client.beta.agents.create(
    model="mistral-large-latest",
    name="synthesizer",
    description="Synthesize and compare multiple sources.",
    instructions="Identify common points, divergences, and gaps."
)

# Writer
academic_writer = client.beta.agents.create(
    model="mistral-large-latest",
    name="academic-writer",
    description="Structured academic writing with citations.",
    instructions="Write in academic format with introduction, methodology, results, discussion."
)

# Pipeline: searcher → synthesizer → writer
searcher = client.beta.agents.update(agent_id=searcher.id, handoffs=[synthesizer.id])
synthesizer = client.beta.agents.update(agent_id=synthesizer.id, handoffs=[academic_writer.id])

Hold dybden rimelig

Manglen på en teknisk grænse er ikke en invitation til at gå amok. I praksis dækker kæder på to til fire agenter langt de fleste behov. Ud over fem stiger både ventetid og omkostninger markant. Årsagen er mekanisk: Hver agent tilføjer sine egne kontekst-tokens, inklusive instrukser, oven i en konversationshistorik, der kun er vokset siden den første overdragelse. En femte agent arbejder ikke på den oprindelige forespørgsel, men på alt det, de foregående fire har produceret.

Før du forlænger en kæde, så spørg dig selv, om det ekstra trin fortjener en dedikeret agent, eller om det passer ind i en eksisterende agents instrukser. En direktiv om formatering vil for eksempel næsten aldrig retfærdiggøre et ekstra led.

Bemærk også, at en agent ikke er begrænset til ét enkelt mål. Den kan deklarere flere mål og vælge baseret på kontekst.

analyst = client.beta.agents.update(
    agent_id=analyst.id,
    handoffs=[writer.id, visualizer.id, calculator.id]
)

Denne analytiker vil rute til skribenten, hvis resultatet er klar til at blive fortalt, til visualisatoren, hvis dataene kræver et diagram, eller til calculatoren, hvis en figur stadig mangler. Valget hviler, som altid, på beskrivelserne af de tre mål – det er den eneste information, der er tilgængelig for at træffe beslutningen.

Vigtige pointer

  • Ingen dybdegrænse for agentkæder
  • Tre mønstre: Lineær (A→B→C), stjerne (router→specialister), hybrid (graf)
  • Hver agent kan have flere overdragelsesmål
  • Begræns i produktion kæder til 2–4 agenter for at styre ventetid og omkostninger
  • Agentbeskrivelser er afgørende for effektiv routing