Δημιουργία Πράκτορα με το Python API
Σε αυτήν τη σελίδα
Ο Πρώτος σας Πράκτορας Mistral
Τα τρία προηγούμενα μαθήματα καθιέρωσαν το λεξιλόγιο· αυτό το μάθημα σας βάζει να δουλέψετε πρακτικά. Θα δημιουργήσετε έναν πράκτορα μέσω του Python API, εμπλουτίζοντάς τον σταδιακά με οδηγίες, παραμέτρους παραγωγής και εργαλεία, και στη συνέχεια θα ξεκινήσετε μια συνομιλία μαζί του. Η πρόοδος είναι σκόπιμα σταδιακή: κάθε προσθήκη τροποποιεί μια παρατηρήσιμη συμπεριφορά, δείχνοντάς σας πώς η ίδια μέθοδος create() μπορεί να παράγει είτε έναν γενικό βοηθό είτε έναν ειδικό με αυστηρά καθορισμένο ύφος.
Προαπαιτούμενα
Η εγκατάσταση αποτελείται από δύο βήματα. Πρώτον, το επίσημο SDK.
pip install mistralai
Στη συνέχεια, κάντε το κλειδί API σας διαθέσιμο στο περιβάλλον συστήματος αντί να το κωδικοποιήσετε απευθείας στον κώδικά σας. Η τυχαία δημοσίευση ενός κλειδιού σε ένα αποθετήριο είναι το πρώτο περιστατικό ασφαλείας για οποιοδήποτε έργο LLM.
export MISTRAL_API_KEY="your-api-key"
Στη συνέχεια, δημιουργείτε τον πελάτη (client) σε μία μόνο γραμμή. Αυτό το αντικείμενο client λειτουργεί ως σημείο εισόδου για το υπόλοιπο μάθημα.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Δημιουργία ενός Ελάχιστου Πράκτορα
Η μέθοδος client.beta.agents.create() δέχεται τρεις υποχρεωτικές παραμέτρους και αρκετές προαιρετικές. Ας ξεκινήσουμε με τα απολύτως απαραίτητα.
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}")
Αυτός ο πράκτορας είναι μινιμαλιστικός: χωρίς συγκεκριμένες οδηγίες, χωρίς εργαλεία, χωρίς δικλείδες ασφαλείας. Συμπεριφέρεται σαν ένα βελτιωμένο endpoint Chat Completions με δυνατότητα διατήρησης κατάστασης (persistence). Σημειώστε το αναγνωριστικό που επιστρέφεται στο agent.id: αυτό είναι που αποθηκεύετε στην πλευρά της εφαρμογής, καθώς αποτελεί τη μοναδική σταθερή αναφορά σε αυτή τη διαμόρφωση.
Ορισμός Συμπεριφοράς με Οδηγίες
Οι οδηγίες λειτουργούν ως το prompt συστήματος και αποτελούν τον κύριο μοχλό ελέγχου της συμπεριφοράς. Το παρακάτω παράδειγμα μετατρέπει έναν γενικό βοηθό σε νομικό εμπειρογνώμονα του οποίου το πεδίο εφαρμογής, η μορφή και τα όρια καθορίζονται ρητά.
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"""
)
Παρατηρήστε τη δομή αυτού του prompt: ένας ορισμός ρόλου στην αρχή, ακολουθούμενος από αριθμημένους κανόνες. Αυτή η τμηματική οργάνωση βοηθά το μοντέλο να δώσει προτεραιότητα στους περιορισμούς. Να είστε συγκεκριμένοι σχετικά με τον ρόλο, τον τόνο και τα όρια, αντί να γράφετε απλώς «να είστε χρήσιμοι». Πάνω απ’ όλα, προβλέψτε τις οριακές περιπτώσεις—τι πρέπει να κάνει ο πράκτορας αν η ερώτηση ξεφεύγει από το πεδίο αρμοδιότητάς του; Η γραμμήσχετικά με την αναζήτηση γνώμης δικηγόρου αντιμετωπίζει ακριβώς αυτό το ζήτημα. Τέλος, αντιμετωπίστε τις οδηγίες σαν κώδικα: θα τις δοκιμάσετε και θα τις αναθεωρήσετε πολλές φορές πριν παράγουν την αναμενόμενη συμπεριφορά.
Έλεγχος της Παραγωγής
Τα completion_args διαμορφώνουν τον δειγματολήπτη (sampler), δηλαδή τον τρόπο με τον οποίο το μοντέλο επιλέγει τις λέξεις του. Ένας πράκτορας επιφορτισμένος με την επαναδιατύπωση γεγονότων δεν χρειάζεται την ίδια ελευθερία με έναν πράκτορα καταιγισμού ιδεών.
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— Κυμαίνεται από 0,0 (ντετερμινιστικό) έως 1,0 (δημιουργικό). Για εργασίες βασισμένες σε γεγονότα, προτιμήστε τιμές μεταξύ 0,1–0,3.top_p— Φιλτράρισμα σωρευτικής πιθανότητας. Το 0,9 είναι μια καλή προεπιλογή.max_tokens— Αυστηρό όριο στα tokens εξόδου.
Εξοπλισμός του Πράκτορα με Εργαλεία
Ένας πράκτορας γίνεται πραγματικά αυτόνομος όταν μπορεί να δράσει πέρα από το κείμενο. Η ακόλουθη διαμόρφωση του παρέχει τόσο πρόσβαση στο διαδίκτυο όσο και εκτέλεση κώδικα:απέναντι σε μια ερώτηση που συγκρίνει τα σημερινά επιτόκια, θα ανακτήσει τις τιμές και θα υπολογίσει το αποτέλεσμα χωρίς την παρέμβασή σας.
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}
)
Τα διαθέσιμα εργαλεία περιλαμβάνουν: web_search, web_search_premium, code_interpreter, image_generation, document_library.
Διαχείριση του Κύκλου Ζωής του Πράκτορα
Οι πράκτορές σας είναι μόνιμοι πόροι στην πλευρά της Mistral και θα τους διαχειρίζεστε όπως οποιοδήποτε άλλο πόρο: θα τους βρίσκετε, θα τους τροποποιείτε, θα τους διαγράφετε. Η λίστα είναι ιδιαίτερα χρήσιμη κατά την ανάπτυξη, όπου γρήγορα καταλήγετε με δεκάδες πράκτορες δοκιμής των οποίων έχετε χάσει τα IDs.
# 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")
Οι ενημερώσεις είναι μερικές: τροποποιούνται μόνο τα πεδία που παρέχονται· τα υπόλοιπα παραμένουν ως έχουν. Αυτό σας επιτρέπει να βελτιώσετε τις οδηγίες σε περιβάλλον παραγωγής χωρίς να δηλώσετε εκ νέου ολόκληρη τη διαμόρφωση.
agent = client.beta.agents.update(
agent_id=agent.id,
instructions="New updated instructions.",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
Η διαγραφή, ωστόσο, είναι οριστική.
client.beta.agents.delete(agent_id=agent.id)
Πλήρες Παράδειγμα
Ας τα συνδυάσουμε όλα σε έναν πλήρως λειτουργικό πράκτορα: δημιουργία, συνομιλία και ανάγνωση της απάντησης. Μπορείτε να χρησιμοποιήσετε αυτό το script ως έχει· απλώς αλλάξτε το όνομα και τις οδηγίες, και θα έχετε τον δικό σας λειτουργικό αναλυτή σε λίγα λεπτά.
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)
Ο τελικός βρόχος αξίζει μια στιγμή προσοχής: επαναλαμβάνεται πάνω στο response.outputs αντί να διαβάζει ένα μόνο πεδίο, επειδή ένας πράκτορας εξοπλισμένος με εργαλεία παράγει πολλαπλές εγγραφές—την εκτέλεση της αναζήτησης και στη συνέχεια το κείμενο. Αυτό είναι το κρίσιμο σημείο που πρέπει να προσέξετε στο επόμενο μάθημα.
Βασικά σημεία
- Η
client.beta.agents.create()δημιουργεί έναν πράκτορα με μοντέλο, όνομα και περιγραφή (υποχρεωτικά) - Οι οδηγίες ορίζουν τη συμπεριφορά—αυτός είναι ο κύριος μοχλός ελέγχου
- Τα
completion_argsελέγχουν την παραγωγή (temperature, top_p, max_tokens) - Ένας πράκτορας μπορεί να έχει πολλαπλά εργαλεία ενεργοποιημένα ταυτόχρονα
- Οι πράκτορες είναι επαναχρησιμοποιήσιμες διαμορφώσεις, όχι στιγμιότυπα συνομιλιών