Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Πρακτικά παραδείγματα λειτουργίας JSON

Μάθημα 5 / 12 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Εφαρμογή της λειτουργίας JSON στην πράξη
  2. Εξαγωγή οντοτήτων από αδόμητο κείμενο
  3. Κατηγοριοποίηση αιτημάτων υποστήριξης
  4. Μετατροπή περιγραφής σε δελτίο προϊόντος
  5. Επεξεργασία πολλαπλών στοιχείων σε μία κλήση
  6. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026: Το προηγούμενο παράδειγμα TypeScript εισήγαγε το Mistral ως προεπιλεγμένη εξαγωγή (default export), αλλά το SDK παρέχει μόνο ονομαστική εξαγωγή (import { Mistral } from "@mistralai/mistralai"). Επίσης, καθόριζε στατικά το κλειδί API και εξανάγκαζε τον τύπο του content με !, κάτι που είναι ανεπαρκές καθώς το πεδίο μπορεί να είναι και λίστα από τμήματα (chunks). Επαληθεύτηκε μέσω μεταγλώττισης με SDK 3.5.0 και TypeScript 7.0.2. Πηγή: Mistral TypeScript SDK.

Εφαρμογή της λειτουργίας JSON στην πράξη

Γνωρίζετε πλέον πώς να ενεργοποιήσετε τη λειτουργία JSON· ας εξετάσουμε τώρα ολοκληρωμένα παραδείγματα. Τρία σενάρια εμφανίζονται διαρκώς σε πραγματικά έργα και το καθένα επιδεικνύει έναν διαφορετικό τρόπο αξιοποίησης αυτής της λειτουργίας. Ο κώδικας παρέχεται σε Python, με ισοδύναμα σε TypeScript όπου η μετάφραση δεν είναι άμεση.

Εξαγωγή οντοτήτων από αδόμητο κείμενο

Η εξαγωγή οντοτήτων αποτελεί την πιο συχνή και οικονομική περίπτωση χρήσης: ένα email πωλήσεων περιέχει πλήρη στοιχεία επικοινωνίας, αλλά αυτά είναι θαμμένα στην υπογραφή και τους χαιρετισμούς. Η βασική οδηγία στο παρακάτω παράδειγμα βρίσκεται στην τελευταία γραμμή του prompt συστήματος — η απαίτηση για null σε περίπτωσηέλλειψη πληροφοριών εμποδίζει το μοντέλο να επινοήσει έναν αριθμό τηλεφώνου απλώς για να συμπληρώσει το πεδίο.

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']}")

Αναμενόμενη έξοδος:

{
  "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"
}

Κατηγοριοποίηση αιτημάτων υποστήριξης

Η κατηγοριοποίηση απαιτεί διαφορετική προσέγγιση: αντί να αφήνετε το μοντέλο να επιλέξει τις τιμές του, απαριθμείτε τις επιτρεπτές τιμές για κάθε πεδίο μέσα στο prompt. Αυτό καθιστά τα αποτελέσματα συγκρίσιμα από αίτημα σε αίτημα και άμεσα usable για δρομολόγηση. Σημειώστε τη μετάβαση στο mistral-small-latest — η διαλογή αιτημάτων δεν δικαιολογεί τη χρήση του πιο ισχυρού μοντέλου.

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']}")

Ακολουθεί ο ίδιος ταξινομητής σε TypeScript. Ο έλεγχος πριν το JSON.parse μας υπενθυμίζει ότι το SDK ορίζει το content ως προαιρετικό και ως string | ContentChunk[]: μόνο μια συμβολοσειρά μπορεί να αναλυθεί.

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}`);

Μετατροπή περιγραφής σε δελτίο προϊόντος

Τρίτο σενάριο: μετατροπή κειμένου μάρκετινγκ σε εγγραφή έτοιμη για βάση δεδομένων. Η άσκηση αυτή είναι πιο δύσκολη επειδή οι τύποι δεδομένων έχουν σημασία — η τιμή πρέπει να φτάσει ως αριθμός, η διάρκεια παράδοσης ως δύο ακέραιοι και η δωρεάν αποστολή ως boolean. Εξ ου και οι ακριβείς σημειώσεις στο prompt.

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))

Αποτέλεσμα:

{
  "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
}

Παρατηρήστε ότι η μάρκα, Apple, δεν εμφανίζεται πουθενά στο αρχικό κείμενο: το μοντέλο την συμπέρανε από το όνομα του προϊόντος. Αυτό αποτελεί πλεονέκτημα για τον εμπλουτισμό δεδομένων, αλλά και κίνδυνο που πρέπει να παρακολουθείτε εάν απαιτείται αυστηρά κυριολεκτική εξαγωγή.

Επεξεργασία πολλαπλών στοιχείων σε μία κλήση

Τίποτα δεν σας υποχρεώνει να κάνετε μία κλήση ανά στοιχείο. Ζητώντας από το μοντέλο μια λίστα κάτω από ένα ενιαίο κλειδί, μειώνετε τον αριθμό των αιτημάτων — και συνεπώς τη σωρευτική καθυστέρηση — για σύντομες εργασίες όπως η ανάλυση κριτικών. Η βαθμολογία που ζητείται εδώ κυμαίνεται από -1.0 έως 1.0, μια χρήσιμη σύμβαση για τη μετέπειτα συσσωμάτωση των αποτελεσμάτων.

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]}...")

Μια λεπτομέρεια κοινή σε όλα αυτά τα παραδείγματα αξίζει να τονιστεί: το temperature=0 είναι εδώ συστηματικό. Για εργασίες εξαγωγής και κατηγοριοποίησης, η δημιουργικότητα δεν προσφέρει τίποτα και κοστίζει σε αναπαραγωγιμότητα.

Βασικά σημεία

  • Η λειτουργία JSON διαπρέπει στην εξαγωγή δεδομένων, την κατηγοριοποίηση και τη μετατροπή
  • Χρησιμοποιήστε το prompt συστήματος για να ορίσετε την αναμενόμενη δομή και τους τύπους
  • Το temperature=0 εξασφαλίζει αναπαραγώγιμα αποτελέσματα
  • Η μαζική επεξεργασία σε ένα ενιαίο αίτημα είναι εφικτή ζητώντας μια λίστα JSON
  • Πάντα να αναλύετε την απόκριση με json.loads() / JSON.parse() πριν προσπελάσετε τα δεδομένα