Herramienta code_interpreter: ejecutar Python
En esta página
Ejecutar código en la nube de Mistral
La herramienta code_interpreter permite que tu agente escriba y ejecute código Python dentro de un contenedor aislado (sandbox). Es la opción ideal para cálculos, análisis de datos, generación de gráficos y validación de código. No se trata solo de comodidad: un LLM que «calcula» mentalmente produce un resultado plausible, no uno correcto. Al delegar la operación a un intérprete real, sustituyes la predicción de tokens por una ejecución verificable, lo que te proporciona código que puedes revisar.
Crear un agente con intérprete de código
Las instrucciones de este agente exigen que muestre el código antes de ejecutarlo, lo que te ofrece un punto de control sobre lo que realmente se ejecuta.
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="""Eres un asistente de programación en Python.
- Usa el intérprete de código para ejecutar código cuando sea necesario
- Muestra siempre el código antes de ejecutarlo
- Explica los resultados con claridad""",
tools=[{"type": "code_interpreter"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Activar una ejecución
Una solicitud de cálculo sencilla es suficiente para activar la herramienta; no necesitas ninguna instrucción especial.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Calculate the first 20 Fibonacci numbers."
)
El agente escribe entonces un script en Python para calcular la secuencia, lo ejecuta en el entorno aislado y presenta los resultados junto con las explicaciones. Los veinte valores que recibes provienen de una ejecución real: serán exactos incluso más allá del punto donde un modelo suele empezar a cometer errores.
Estructura de la respuesta
Puedes leer este mecanismo directamente en las entradas devueltas; tu código debe distinguir entre texto y resultados de ejecución.
for entry in response.outputs:
if entry.type == "message.output":
# Primera respuesta: "Voy a calcular..." o resultado final
print(f"Message: {entry.content}")
elif entry.type == "tool.execution":
# Código ejecutado y resultado
print(f"Code: {entry.info.code}")
print(f"Output: {entry.info.code_output}")
El agente comienza con un message.output anunciando lo que va a hacer. A continuación llega el tool.execution donde se ejecuta el código: info.code contiene el script y info.code_output alberga su salida. Un segundo message.output cierra la secuencia, en el que el agente interpreta y explica los resultados. Estos dos campos, info.code y info.code_output, constituyen tu pista de auditoría: consérvalos en los registros de tu aplicación, ya que te permiten reproducir y cuestionar cualquier cifra producida por el agente.
Qué cambia esta herramienta en la práctica
El análisis de datos es el caso de uso más inmediato. Proporciona una serie de valores y pide estadísticas: la media, la mediana y la desviación estándar se calculan, no se estiman.
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."""
)
La generación de gráficos extiende naturalmente esta capacidad, ya que el entorno incluye bibliotecas de trazado.
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%"
)
El agente utiliza matplotlib para generar el gráfico. El resultado es un archivo de imagen accesible en la respuesta; asegúrate de que tu código de lectura gestione este caso, o acabarás mostrando solo el comentario de texto acompañante.
La validación de código es un tercer caso de uso, menos obvio pero valioso. Envía una función y los casos de prueba que debe cubrir: el agente no solo razona sobre el código, sino que lo ejecuta. En el ejemplo siguiente, la entrada "Madam" revela un fallo que una revisión de código simple probablemente pasaría por alto.
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"
"""
)
Las matemáticas aplicadas completan la lista: resolución de sistemas de ecuaciones, álgebra lineal, optimización. Aquí también, la respuesta depende de un solucionador, no de la intuición.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)
Combinar con otras herramientas
Un agente puede tener varias herramientas activadas simultáneamente, y aquí es donde suele aparecer el verdadero valor: la búsqueda aporta datos frescos que el código transforma en análisis.
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."
)
El agente elige automáticamente qué herramienta usar en cada paso. En esta solicitud, encadena las dos: no puedes calcular una variación sin obtener primero los valores, y no puedes obtener esos valores sin acceso a la web.
Limitaciones del entorno aislado
Este entorno aislado impone restricciones que debes conocer antes de diseñar tu aplicación. Las bibliotecas son limitadas: los paquetes estándar de Python están disponibles (numpy, pandas, matplotlib, entre otros), pero no todos los paquetes de terceros, lo que descarta tus dependencias internas. El código no tiene acceso a la red, por lo que los datos deben llegar a él mediante el contexto u otra herramienta, nunca a través de una llamada HTTP escrita en el script. El tiempo de ejecución está acotado, por lo que los procesos de larga duración se interrumpen: divide los volúmenes grandes en lugar de esperar un único pase. Por último, no hay persistencia entre llamadas; un archivo creado durante una ejecución no se encontrará en la siguiente.
Puntos clave
code_interpreterejecuta Python en un entorno aislado seguro en el lado de Mistral- La respuesta contiene el código ejecutado (
info.code) y su salida (info.code_output) - Ideal para cálculos, análisis de datos y generación de gráficos
- Puede combinarse con otras herramientas (web_search, etc.)
- El entorno aislado tiene limitaciones: sin acceso a la red, bibliotecas limitadas, sin persistencia