Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Praktiske eksempler på JSON-tilstand

Lektion 5 af 12 Opdateret 3. november 2026 Udvikler
På denne side
  1. Sådan bruger du JSON-tilstand i praksis
  2. Uddragelse af enheder fra ustruktureret tekst
  3. Klassificering af support-sager
  4. Konvertering af en beskrivelse til et produktark
  5. Behandling af flere elementer i ét kald
  6. Vigtige pointer

Opdateret 3. november 2026: TypeScript-eksemplet importerede tidligere Mistral som en standard-eksport, men SDK’et leverer kun en navngiven eksport (import { Mistral } from "@mistralai/mistralai"). Det hardkodede også API-nøglen og tvang typen af content med !, hvilket er utilstrækkeligt, da feltet også kan være en liste over chunks. Verificeret ved kompilering med SDK 3.5.0 og TypeScript 7.0.2. Kilde: Mistral TypeScript SDK.

Sådan bruger du JSON-tilstand i praksis

Du ved nu, hvordan du aktiverer JSON-tilstand; lad os se på nogle gennemarbejdede eksempler. Tre scenarier går igen i virkelige projekter, og hvert af dem illustrerer en anden måde at udnytte tilstanden på. Koden er angivet i Python, med TypeScript-ækvivalenter, hvor oversættelsen ikke er umiddelbar.

Uddragelse af enheder fra ustruktureret tekst

Uddragelse af enheder (entity extraction) er det hyppigste og mest omkostningseffektive use case: En salgs-e-mail indeholder fulde kontaktoplysninger, men de er begravet i en signatur og høflighedsfraser. Nøgleinstruktionen i følgende eksempel er den sidste linje i system-prompten – kravet om null for manglende information forhindrer modellen i at opfinde et telefonnummer blot for at udfylde feltet.

from mistralai.client import Mistral
import json

client = Mistral(api_key="your-api-key")

email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
        },
        {"role": "user", "content": email_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")

Forventet output:

{
  "name": "Marie Dupont",
  "title": "Sales Director",
  "company": "TechVision SAS",
  "phone": "06 12 34 56 78",
  "email": "[email protected]",
  "address": "42 rue de la Paix, 75002 Paris"
}

Klassificering af support-sager

Klassificering kræver en anden tilgang: I stedet for at lade modellen vælge sine egne værdier, oplister du de tilladte værdier for hvert felt i prompten. Det gør resultaterne sammenlignelige fra sag til sag og direkte brugbare til routing. Bemærk skiftet til mistral-small-latest – triage af support-sager berettiger ikke brug af den mest kraftfulde model.

tickets = [
    "My payment was charged twice, I demand an immediate refund!",
    "How can I change my password?",
    "Your app crashes every time I open the settings tab.",
]

for ticket in tickets:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[
            {
                "role": "system",
                "content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
            },
            {"role": "user", "content": ticket}
        ],
        response_format={"type": "json_object"},
        temperature=0
    )

    result = json.loads(response.choices[0].message.content)
    print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")

Her er den samme klassificator i TypeScript. Tjekket før JSON.parse minder os om, at SDK’et definerer content som valgfri og som string | ContentChunk[]: kun en streng kan parses.

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const ticket = "My payment was charged twice!";

const response = await client.chat.complete({
  model: "mistral-small-latest",
  messages: [
    {
      role: "system",
      content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
    },
    { role: "user", content: ticket },
  ],
  responseFormat: { type: "json_object" },
  temperature: 0,
});

const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
  throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);

Konvertering af en beskrivelse til et produktark

Tredje scenarie: omdannelse af marketingtekst til en post, der er klar til en database. Denne øvelse er lidt mere tricky, fordi typer betyder noget – en pris skal ankomme som et tal, en leveringsvarighed som to heltal, og fri fragt som en boolean. Derfor de præcise annotationer i prompten.

product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
        },
        {"role": "user", "content": product_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))

Resultat:

{
  "name": "MacBook Pro 16-inch",
  "brand": "Apple",
  "price_eur": 2799,
  "specs": {
    "ram_gb": 24,
    "storage_gb": 512,
    "screen": "Liquid Retina XDR"
  },
  "colors": ["Space Black", "Silver"],
  "delivery_days_min": 3,
  "delivery_days_max": 5,
  "free_shipping": true
}

Bemærk, at mærket, Apple, ikke findes nogen steder i kildeteksten: modellen har udledt det ud fra produktnavnet. Det er en styrke i forhold til berigelse, men en risiko, du skal holde øje med, hvis du kræver strengt bogstavelig uddragelse.

Behandling af flere elementer i ét kald

Intet tvinger dig til at lave ét kald per element. Ved at bede modellen om en liste under en enkelt nøgle reducerer du antallet af anmodninger – og dermed den samlede ventetid – for korte opgaver som analyse af anmeldelser. Scoren, der anmodes om her, spænder fra -1,0 til 1,0, hvilket er en nyttig konvention til senere aggregering af resultater.

texts = [
    "Excellent product, I recommend it!",
    "Late delivery, damaged product.",
    "Decent for the price, nothing exceptional."
]

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "system",
            "content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
        },
        {"role": "user", "content": "\n---\n".join(texts)}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
    print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")

Én detalje, der er fælles for alle disse eksempler, fortjener særlig opmærksomhed: temperature=0 er systematisk her. Ved uddragelses- og klassificeringsopgaver tilfører kreativitet intet og koster reproducerbarhed.

Vigtige pointer

  • JSON-tilstand excellerer inden for datauddragelse, klassificering og konvertering
  • Brug system-prompten til at definere den forventede struktur og typer
  • temperature=0 sikrer reproducerbare resultater
  • Batch-behandling i en enkelt anmodning er mulig ved at anmode om en JSON-liste
  • Parse altid svaret med json.loads() / JSON.parse() før du tilgår data