Praktiske eksempler på JSON-tilstand
På denne side
Opdateret 3. november 2026: TypeScript-eksemplet importerede tidligere
Mistralsom en standard-eksport, men SDK’et leverer kun en navngiven eksport (import { Mistral } from "@mistralai/mistralai"). Det hardkodede også API-nøglen og tvang typen afcontentmed!, 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=0sikrer 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