Luo agentti Python-API:n avulla
Tällä sivulla
Ensimmäinen Mistral-agenttisi
Kolme edellistä oppituntia loivat sanaston; tässä tunnossa pääset itse toimeen. Luot agentin Python-API:n avulla ja rikastat sitä vähitellen ohjeistuksilla, generointiparametreilla ja työkaluilla, minkä jälkeen käynnistät sen kanssa keskustelun. eteneminen on tarkoituksella askelmaista: jokainen lisäys muuttaa havaittavaa käyttäytymistä ja näyttää, miksi sama create()-metodi voi tuottaa joko yleiskäyttöisen avustajan tai asiantuntijan, jonka tyyli on lukittu.
Edellytykset
Asennus vaatii kaksi vaihetta. Ensin virallinen SDK.
pip install mistralai
Seuraavaksi tee API-avaimestasi saatavilla ympäristömuuttujana sen sijaan, että koodaisit sen suoraan koodiin. Avaimen vahingossa tallentaminen versionhallintaan on ensimmäinen tietoturvatapaus missä tahansa LLM-projektissa.
export MISTRAL_API_KEY="your-api-key"
Tämän jälkeen rakennat asiakasolion yhdellä rivillä. Tämä client-olio toimii sisäänmenopisteenä loppuoppitunnin ajaksi.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Luo minimaalinen agentti
Metodi client.beta.agents.create() vaatii kolme parametria ja tarjoaa useita valinnaisia. Aloitetaan absoluuttisesta minimistä.
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}")
Tämä agentti on minimalistinen: ei erityisiä ohjeita, ei työkaluja, ei suojauksia. Se käyttäytyy kuin parannettu Chat Completions -päätepiste, jolla on pysyvyys. Huomaa tunniste, joka palautetaan kohdassa agent.id: tämä on se, mitä tallennat sovelluspuolelle, sillä se on ainoa vakaa viittaus tähän kokoonpanoon.
Määritä käyttäytyminen ohjeistuksilla
Ohjeistukset toimivat järjestelmäkehotteena ja ovat ensisijainen vipu käyttäytymisen hallintaan. Alla oleva esimerkki muuttaa yleiskäyttöisen avustajan lakiasiantuntijaksi, jonka toimiala, muoto ja rajat on määritelty eksplisiittisesti.
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"""
)
Huomaa kehotteen rakenne: roolin määrittely alussa, jota seuraavat numeroidut säännöt. Tämä osioittainen organisointi auttaa mallia priorisoimaan rajoitteita. Ole tarkka roolin, sävyn ja rajojen suhteen äläkä kirjoita pelkkää “ole avulias”. Ennen kaikkea ennakoi reunatapaukset – mitä agentin pitäisi tehdä, jos kysymys osuu sen toimialan ulkopuolelle? Rivi lakimiehen lausunnon tarpeesta käsittelee tätä täsmällisesti. Lopuksi kohtele ohjeistuksia kuin koodia: testaat ja reviseeraat niitä useita kertoja, ennen kuin ne tuottavat odotetun käyttäytymisen.
Hallitse generointia
completion_args määrittää näytteenottimen, eli tavan, jolla malli valitsee sanansa. Agentti, jonka tehtävänä on toistaa faktoja, ei tarvitse samanlaista vapautta kuin ideoinnista vastaava agentti.
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– Vaihtelee välillä 0,0 (deterministinen) – 1,0 (luova). Faktatehtävissä suosi arvoja 0,1–0,3.top_p– Kumulatiivinen todennäköisyyssuodatus. 0,9 on hyvä oletusarvo.max_tokens– Tiukka rajoitus tulostettavien tokenien määrälle.
Varusta agentti työkaluilla
Agentista tulee todella autonominen, kun se pystyy toimimaan tekstin ulkopuolella. Seuraava kokoonpano antaa sille sekä verkkopääsyn että koodin suorituskyvyn: kohdatessaan kysymyksen, jossa verrataan tämän päivän kursseja, se hakee arvot ja laskee tuloksen ilman väliintuloasi.
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}
)
Käytettävissä olevia työkaluja ovat: web_search, web_search_premium, code_interpreter, image_generation, document_library.
Hallitse agentin elinkaarta
Agenttisi ovat pysyviä resursseja Mistralin puolella, ja hallinnoit niitä kuin mitä tahansa muutakin resurssia: etsit niitä, muokkaat niitä, poistat niitä. Listaus on erityisen hyödyllinen kehitysvaiheessa, jossa päädyt nopeasti kymmeniin testagentteihin, joiden tunnisteet olet unohtanut.
# Listaa kaikki agenttisi
agents = client.beta.agents.list()
for a in agents.data:
print(f"{a.name} ({a.id})")
# Hae agentti sen tunnisteen perusteella
agent = client.beta.agents.get(agent_id="ag-xxxxxxxx")
Päivitykset ovat osittaisia: vain annetut kentät muuttuvat; muut pysyvät ennallaan. Tämä mahdollistaa ohjeistusten hienosäädön tuotannossa ilman koko kokoonpanon uudelleenmäärittelyä.
agent = client.beta.agents.update(
agent_id=agent.id,
instructions="New updated instructions.",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
Poistaminen on kuitenkin pysyvää.
client.beta.agents.delete(agent_id=agent.id)
Täydellinen esimerkki
Yhdistetään kaikki toimivaksi agentiksi: luominen, keskustelu ja vastauksen lukeminen. Voit käyttää tätä skriptiä sellaisenaan; vaihda vain nimi ja ohjeistukset, niin sinulla on oma operatiivinen analyytikkosi minuuteissa.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Luo agentti
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}
)
# Aloita keskustelu
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest advancements in agentic AI in 2026?"
)
# Näytä vastaus
for entry in response.outputs:
if hasattr(entry, "content"):
print(entry.content)
Viimeinen silmukka ansaitsee hetken huomion: se iteroi yli response.outputs sen sijaan, että lukisi yhtä kenttää, koska työkaluilla varustettu agentti tuottaa useita merkintöjä – ensin haun suorituksen, sitten tekstin. Tämä on keskeinen seikka, johon kannattaa kiinnittää huomiota seuraavassa oppitunnissa.
Keskeiset asiat
client.beta.agents.create()luo agentin mallilla, nimellä ja kuvauksella (vaaditut)- Ohjeistukset määrittelevät käyttäytymisen – tämä on ensisijainen vipu
completion_argshallitsee generointia (lämpötila, top_p, max_tokens)- Agentilla voi olla useita työkaluja käytössä samanaikaisesti
- Agentit ovat uudelleenkäytettäviä kokoonpanoja, eivät keskusteluinstansseja