Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Päättely agenteissa ja keskusteluissa

Oppitunti 4 / 12 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Kolme tapaa kutsua päättelymallia
  2. Päättelevä agentti
  3. Keskusteluvastausten lukeminen
  4. Keskustelu ilman agenttia
  5. Päättely ja työkalut
  6. Kolmen lähestymistavan vertailu
  7. Integroinnin parhaat käytännöt
  8. Keskeiset asiat

Oppitunti kirjoitettu uudelleen 2. marraskuuta 2026 malleille Mistral Small 4 ja Large 4. Mistralin dokumentaation mukaan reasoning_effort on käytettävissä Agents- ja Conversations-päätepisteissä kentän completion_args sisällä. Lähteet: Reasoning · Python SDK — Conversations.

Kolme tapaa kutsua päättelymallia

Aiemmissa oppitunneissa käytit Chat Completions -rajapintaa: lähetit koko keskusteluhistorian jokaisella kutsulla, ja reasoning_effort määritettiin suoraan pyynnössä. Mistral tarjoaa kaksi muutakin rajapintaa: Agents API, joka tallentaa uudelleenkäytettävän kokoonpanon (malli, ohjeet, työkalut, parametrit), ja Conversations API, joka pitää historiaa palvelimella. Näissä kahdessa rajapinnassa et aseta päättelyä ylimmälle tasolle, vaan sisennät sen muiden generointiparametrien viereen kenttään completion_args.

Päättelevä agentti

Päättelytason asettaminen agentin määrittelyssä välttää sen toistamisen jokaisella kutsulla ja varmistaa, että koko tiimisi käyttää samaa asetusta:

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

Keskusteluvastausten lukeminen

Keskustelu ei palauta arvoa choices, vaan listan merkinnöistä (outputs). Mallin vastaus löytyy merkinnöistä, joiden tyyppi on message.output. Kuten Chat Completionsissa, sisältö on joko merkkijono tai lista osia, jotka voivat sisältää ThinkChunk-objektin. Oppitunnin 3 funktio separer toimii täsmälleen kuten ennenkin:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Muut merkinnät kuvaavat kierroksen aikana tapahtuneita asioita, kuten työkalun suorittamista (tool.execution) tai funktion kutsumista. Ohita ne, jos välität vain lopullisesta vastauksesta.

Keskustelu ilman agenttia

Kertaluonteisiin tehtäviin Conversations API hyväksyy mallin suoraan ilman aiempaa agentin asetusta. Palvelin pitää yllä historiaa, ja voit jatkaa vuorovaikutusta komennolla conversations.append, säätäen päättelytasoa tarvittaessa tiettyä kierrosta varten:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Tämä on konkreettinen etu verrattuna Chat Completionsiin, jossa dokumentaatio vaatii avustajan koko viestin, pohdinta mukaan lukien, toistamista jokaisella uudella kierroksella (oppitunti 7). Conversations API:ssa palvelin pitää historiaa yllä, joten sinun ei tarvitse lähettää sitä uudelleen jokaisella kutsulla.

Päättely ja työkalut

Agentti voi yhdistää päättelyn ja työkalut: tools ja completion_args ovat itsenäisiä kenttiä agenttia luotaessa. Analyysiagentilla voi siis olla sekä verkkohaku että syvällinen päättely:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Pidä kuitenkin silmällä kustannuksia: pohdinta ja työkalukutsut kertyvät yhden kierroksen laskutukseen.

Kolmen lähestymistavan vertailu

KriterioChat CompletionsAgentsConversations
Missä asettaa päättelyreasoning_effort pyynnössäcompletion_args agentissacompletion_args kohdissa start tai append
HistoriaLähetä uudelleen jokaisella kutsulla, pohdinta mukaan lukienKeskustelu kantaa historianSäilytetään palvelimella
Sisäänrakennetut työkalut (web_search…)EiKylläKyllä
Tyypillinen käyttöKertaluonteiset kutsut, täysi hallintaJaettu, uudelleenkäytettävä kokoonpanoMonivaiheiset vuorovaikutukset

Integroinnin parhaat käytännöt

Aseta päättelytaso agenttiin, kun tehtävä on yhtenäinen, ja kierroskohtaisesti, kun se vaihtelee: esimerkiksi alkuperäinen analyysikierros arvolla high, jota seuraavat uudelleenmuotoilukierrokset arvoilla low tai none mallista riippuen. Varmista, että arvo sopii agentin käyttämään malliin: Small 4 hyväksyy arvot high ja none; Large 4 hyväksyy arvot low, medium ja high. Lopuksi kirjaa tokenien käyttö kierroksittain; se on ainoa tapa tietää, kannattaako päättely juuri sinun käyttötapaustasi varten.

Keskeiset asiat

  • Agents- ja Conversations-rajapinnoissa välitä reasoning_effort kentän completion_args sisällä
  • Vastaukset saapuvat kentässä outputs; teksti on merkinnöissä, joiden tyyppi on message.output, pohdinta mukaan lukien
  • Conversations API pitää historiaa palvelimella: sitä ei tarvitse lähettää uudelleen joka kierroksella
  • Voit muuttaa tasoa jokaisella kierroksella komennolla conversations.append
  • Agentti voi yhdistää sisäänrakennetut työkalut ja päättelyn, mutta käyttö kasautuu kustannuksiin