Opret en agent med Python-API'en
På denne side
Din første Mistral-agent
De tre foregående lektioner har etableret ordforrådet; denne gang får du fingrene ned i tastaturet. Du vil oprette en agent via Python-API’en, gradvist berige den med instrukser, generationsparametre og værktøjer og derefter starte en samtale med den. Fremgangen er bevidst inkrementel: hver tilføjelse ændrer en observerbar adfærd, hvilket viser dig, hvorfor den samme create()-metode kan producere enten en generisk assistent eller en ekspert med en låst stil.
Forudsætninger
Installationen tager to trin. Først det officielle SDK.
pip install mistralai
Dernæst skal du gøre din API-nøgle tilgængelig i miljøet i stedet for at hardkode den i din kode. At utilsigtet committe en nøgle til et repository er den første sikkerhedshændelse for ethvert LLM-projekt.
export MISTRAL_API_KEY="your-api-key"
Derefter bygger du klienten på én enkelt linje. Dette client-objekt fungerer som indgangspunktet for resten af lektionen.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Opret en minimal agent
Metoden client.beta.agents.create() tager tre påkrævede parametre og flere valgfrie. Lad os starte med det absolutte minimum.
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="Simple Assistant",
description="A conversational agent with persistent state."
)
print(f"Agent created: {agent.id}")
Denne agent er minimalistisk: ingen specifikke instrukser, ingen værktøjer, ingen sikkerhedsforanstaltninger. Den opfører sig som et forbedret Chat Completions-endpoint med persistens. Bemærk identifikatoren returneret i agent.id: det er denne, du gemmer på applikationssiden, da det er den eneste stabile reference til denne konfiguration.
Definer adfærd med instrukser
Instrukser fungerer som system-prompten og er den primære løftestang til at styre adfærd. Eksemplet nedenfor transformerer en generisk assistent til en juridisk ekspert, hvis omfang, format og grænser er eksplicit afgrænsede.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Legal Expert",
description="Agent specialized in French business law.",
instructions="""You are an expert in French business law.
Rules:
- Always respond in French
- Cite relevant legal articles
- Specify when a question requires a lawyer's opinion
- Structure your responses with headings and lists
- Never give definitive legal advice"""
)
Læg mærke til strukturen i denne prompt: en rolledefinition i starten, efterfulgt af nummererede regler. Denne sektionelle organisering hjælper modellen med at prioritere begrænsninger. Vær specifik omkring rollen, tonen og grænserne i stedet for at skrive „vær hjælpsom”. Frem for alt skal du forudse kanttilfælde – hvad skal agenten gøre, hvis spørgsmålet falder uden for dens domæne? Linjen om at søge en advokats udtalelse adresserer netop dette. Behandl endelig instrukser som kode: du vil teste og revidere dem flere gange, før de producerer den forventede adfærd.
Styr generationen
completion_args konfigurerer sampleren, altså hvordan modellen vælger sine ord. En agent, der får til opgave at genfortælle fakta, har ikke brug for samme frihed som en brainstorming-agent.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Precise Agent",
description="Agent with controlled generation parameters.",
instructions="Respond factually and concisely.",
completion_args={
"temperature": 0.2, # Less creativity, more precision
"top_p": 0.9, # Probability nucleus
"max_tokens": 2048 # Response length limit
}
)
temperature– Spænder fra 0,0 (deterministisk) til 1,0 (kreativ). Til faktuelle opgaver foretrækkes 0,1–0,3.top_p– Filtrering af kumulativ sandsynlighed. 0,9 er en god standardværdi.max_tokens– Streng grænse for output-tokens.
Udstyr agenten med værktøjer
En agent bliver først rigtig autonom, når den kan handle ud over tekst. Følgende konfiguration giver den både webadgang og kodeeksekvering: konfronteret med et spørgsmål, der sammenligner dagens satser, vil den hente værdierne og beregne resultatet uden din indblanding.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Research Agent",
description="Agent with web search and code execution.",
instructions="Use web search for current information and code for calculations.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter"}
],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Tilgængelige værktøjer inkluderer: web_search, web_search_premium, code_interpreter, image_generation, document_library.
Håndter agentens livscyklus
Dine agenter er persistente ressourcer på Mistral-siden, og du vil administrere dem som enhver anden ressource: find dem, modificer dem, slet dem. Listning er særligt nyttig under udvikling, hvor du hurtigt ender med snesevis af testagenter, hvis ID’er du har mistet.
# List all your agents
agents = client.beta.agents.list()
for a in agents.data:
print(f"{a.name} ({a.id})")
# Retrieve an agent by its ID
agent = client.beta.agents.get(agent_id="ag-xxxxxxxx")
Opdateringer er delvise: kun de angivne felter modificeres; de andre forbliver, som de er. Dette giver dig mulighed for at forfine instrukser i produktion uden at erklære hele konfigurationen på ny.
agent = client.beta.agents.update(
agent_id=agent.id,
instructions="New updated instructions.",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
Sletning er derimod permanent.
client.beta.agents.delete(agent_id=agent.id)
Komplet eksempel
Lad os samle det hele i en fuldt funktionel agent: oprettelse, samtale og læsning af svaret. Du kan bruge dette script, som det er; ændr blot navn og instrukser, så har du din egen operationelle analytiker på få minutter.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Create the agent
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Tech Analyst",
description="Analyzes technology trends with web sources.",
instructions="""You are a technology analyst.
- Use web search for recent data
- Always cite your sources
- Structure your analyses into key points""",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3}
)
# Start a conversation
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest advancements in agentic AI in 2026?"
)
# Display the response
for entry in response.outputs:
if hasattr(entry, "content"):
print(entry.content)
Den sidste løkke fortjener et øjebliks opmærksomhed: den itererer over response.outputs i stedet for at læse et enkelt felt, fordi en agent udstyret med værktøjer producerer flere poster – først søgeeksekveringen, derefter teksten. Dette er nøglepunktet, du skal holde øje med i næste lektion.
Vigtige pointer
client.beta.agents.create()opretter en agent med model, navn og beskrivelse (påkrævet)- Instrukser definerer adfærd – dette er den primære løftestang
completion_argsstyrer generationen (temperature, top_p, max_tokens)- En agent kan have flere værktøjer aktiveret samtidigt
- Agenter er genanvendelige konfigurationer, ikke samtaleinstanser