Spring til hovedindhold
Dansk— Vælg et sprog
Menu

code_interpreter-værktøjet: Kør Python

Lektion 9 af 18 Opdateret 2. november 2026 Udvikler
På denne side
  1. Kør kode i Mistral Cloud
  2. Opret en agent med Code Interpreter
  3. Udløs en eksekvering
  4. Responsstruktur
  5. Hvad værktøjet ændrer i praksis
  6. Kombinér med andre værktøjer
  7. Sandbox-begrænsninger
  8. Vigtige pointer

Kør kode i Mistral Cloud

Værktøjet code_interpreter lader din agent skrive og udføre Python-kode inde i en sandboxet container. Det er det ideelle valg til beregninger, dataanalyse, generering af diagrammer og validering af kode. Det handler ikke kun om bekvemmelighed: En LLM, der „beregner” i hovedet, producerer et plausibelt resultat, ikke et korrekt ét. Ved at overlade operationen til en rigtig fortolker erstatter du token-forudsigelse med verificerbar eksekvering, hvilket giver dig kode, du kan gennemgå.

Opret en agent med Code Interpreter

Instruktionerne til denne agent kræver, at den viser koden, før den udfører den, så du får et kontrolpunkt over, hvad der rent faktisk kører.

from mistralai.client import Mistral
import os

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

agent = client.beta.agents.create(
    model="mistral-medium-latest",
    name="Code Agent",
    instructions="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
    tools=[{"type": "code_interpreter"}],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Udløs en eksekvering

En simpel beregningsanmodning er nok til at udløse værktøjet; du behøver ingen speciel instruktion.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Calculate the first 20 Fibonacci numbers."
)

Agenten skriver derefter et Python-script til at beregne sekvensen, kører det i sandboxen og præsenterer resultaterne sammen med forklaringer. De tyve værdier, du modtager, stammer fra faktisk eksekvering: De vil være nøjagtige, selv ud over det punkt, hvor en model normalt begynder at lave fejl.

Responsstruktur

Du kan læse denne mekanisme direkte i de returnerede poster, og din kode skal skelne mellem tekst og eksekveringsresultater.

for entry in response.outputs:
    if entry.type == "message.output":
        # First response: "I will calculate..." or final result
        print(f"Message: {entry.content}")

    elif entry.type == "tool.execution":
        # Executed code and result
        print(f"Code: {entry.info.code}")
        print(f"Output: {entry.info.code_output}")

Agenten starter med en message.output, der annoncerer, hvad den er ved at gøre. Derefter kommer tool.execution, hvor koden kører: info.code indeholder scriptet, og info.code_output indeholder dets output. En anden message.output afslutter sekvensen, hvor agenten fortolker og forklarer resultaterne. Disse to felter, info.code og info.code_output, er din revisionssti – gem dem i dine applikationslogs, da de lader dig afspille og udfordre ethvert tal, som agenten har produceret.

Hvad værktøjet ændrer i praksis

Dataanalyse er det mest umiddelbare brugstilfælde. Angiv en række værdier og bed om statistik: Gennemsnit, median og standardafvigelse bliver beregnet, ikke estimeret.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="""Here are the monthly sales (in K€): 
    Jan: 120, Feb: 135, Mar: 142, Apr: 128, May: 155, Jun: 168
    Calculate the mean, median, standard deviation, and trend."""
)

Generering af diagrammer udvider naturligt denne kapacitet, da miljøet inkluderer plotningsbiblioteker.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Create a bar chart of cloud market shares in Europe: AWS 31%, Azure 25%, GCP 11%, OVH 8%, Others 25%"
)

Agenten bruger matplotlib til at generere diagrammet. Resultatet er en billedfil, der er tilgængelig i responsen – så sørg for, at din læsekode håndterer dette tilfælde, ellers ender du med kun at vise den ledsagende tekstkommentar.

Kodevalidering er et tredje brugstilfælde, mindre indlysende, men værdifuldt. Indsend en funktion og de testtilfælde, der skal dækkes: Agenten ræsonnerer ikke bare om koden, den kører den. I eksemplet nedenfor afslører inputtet "Madam" en fejl, som en simpel kodegennemgang sandsynligvis ville overse.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="""Check if this function is correct:
    
def is_palindrome(s):
    return s == s[::-1]

Test it with: "radar", "hello", "kayak", "Madam"
"""
)

Anvendt matematik afrunder listen: Løsning af ligningssystemer, lineær algebra, optimering. Også her hviler responsen på en løser, ikke intuition.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)

Kombinér med andre værktøjer

En agent kan have flere værktøjer aktiveret samtidigt, og det er ofte her, den virkelige værdi opstår: Søgning bringer friske data ind, som kode omdanner til analyse.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Complete Analyst",
    description="Search + Calculation",
    instructions="Search for recent data then analyze it with code.",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Find the current price of Bitcoin and calculate its percentage change over the last 30 days."
)

Agenten vælger automatisk, hvilket værktøj den skal bruge i hvert trin. I denne anmodning kæder den de to sammen: Du kan ikke beregne en ændring uden først at hente værdierne, og du kan ikke få disse værdier uden webadgang.

Sandbox-begrænsninger

Dette isolerede miljø pålægger begrænsninger, du bør kende, før du designer din applikation. Biblioteker er begrænsede: Standard Python-pakker er tilgængelige – numpy, pandas, matplotlib blandt andre – men ikke alle tredjepartspakker, hvilket udelukker dine interne afhængigheder. Koden har ingen netværksadgang, så data skal nå den via kontekst eller et andet værktøj, aldrig gennem et HTTP-kald skrevet i scriptet. Eksekveringstiden er begrænset, så langvarige processer bliver afbrudt: Opdel store mængder i stedet for at håbe på en enkelt gennemkørsel. Endelig er der ingen persistens mellem kald; en fil oprettet under én eksekvering vil ikke blive fundet i den næste.

Vigtige pointer

  • code_interpreter kører Python i en sikker sandbox på Mistral-siden
  • Responsen indeholder den udførte kode (info.code) og dens output (info.code_output)
  • Ideel til beregninger, dataanalyse og generering af diagrammer
  • Kan kombineres med andre værktøjer (web_search osv.)
  • Sandboxen har begrænsninger: Ingen netværksadgang, begrænsede biblioteker, ingen persistens