Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Stvori agenta pomoću Python API-ja

Lekcija 4 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Tvoj prvi Mistral agent
  2. Preduvjeti
  3. Stvori minimalnog agenta
  4. Definiraj ponašanje uputama
  5. Kontroliraj generiranje
  6. Opremi agenta alatima
  7. Upravljaj životnim ciklusom agenta
  8. Potpuni primjer
  9. Ključne točke

Tvoj prvi Mistral agent

Prethodne tri lekcije uspostavile su rječnik; ova će ti staviti prste na tipkovnicu. Stvorit ćeš agenta putem Python API-ja, postupno ga obogaćujući uputama, parametrima generiranja i alatima, a zatim pokrenuti razgovor s njim. Napredak je namjerno inkrementalan: svaki dodatak mijenja vidljivo ponašanje, pokazujući ti zašto ista metoda create() može proizvesti ili generičkog asistenta ili stručnjaka sa strogo definiranim stilom.

Preduvjeti

Instalacija se sastoji od dva koraka. Prvo, službeni SDK.

pip install mistralai

Zatim, učini svoj API ključ dostupnim u okruženju umjesto da ga hardkodiraš u kod. Slučajno commitanje ključa u repozitorij prvi je sigurnosni incident za bilo koji LLM projekt.

export MISTRAL_API_KEY="your-api-key"

Nakon toga klijenta gradiš u jednom retku. Ovaj objekt client služi kao ulazna točka za ostatak lekcije.

from mistralai.client import Mistral
import os

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

Stvori minimalnog agenta

Metoda client.beta.agents.create() prihvaća tri obavezna parametra i nekoliko opcionalnih. Krenimo s apsolutnim minimumom.

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}")

Ovaj agent je minimalistički: bez specifičnih uputa, bez alata, bez zaštitnih ograda. Ponaša se kao poboljšana krajnja točka Chat Completions s ustrajnošću. Obrati pažnju na identifikator vraćen u agent.id: to je ono što spremaš na strani aplikacije, jer je to jedina stabilna referenca na ovu konfiguraciju.

Definiraj ponašanje uputama

Upute djeluju kao sistemski prompt i primarna su poluga za kontrolu ponašanja. Primjer u nastavku transformira generičkog asistenta u pravnog stručnjaka čiji su opseg, format i granice eksplicitno omeđeni.

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"""
)

Obrati pažnju na strukturu ovog prompta: definicija uloge na početku, praćena numeriranim pravilima. Ova sekcionalna organizacija pomaže modelu da prioritizira ograničenja. Budi specifičan oko uloge, tona i granica umjesto da pišeš „budi od pomoći“. Prije svega, predvidi rubne slučajeve—što bi agent trebao učiniti ako pitanje izlazi izvan njegove domene? Retak o traženju mišljenja odvjetnika točno to i rješava. Konačno, tretiraj upute kao kod: testirat ćeš ih i revidirati više puta prije nego što proizvedu očekivano ponašanje.

Kontroliraj generiranje

completion_args konfiguriraju sampler, odnosno način na koji model bira svoje riječi. Agentu zaduženom za ponavljanje činjenica ne treba ista sloboda kao agentu za brainstorming.

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 — Kreće se od 0,0 (deterministički) do 1,0 (kreativno). Za zadatke temeljene na činjenicama, preferiraj 0,1–0,3.
  • top_p — Filtriranje kumulativne vjerojatnosti. 0,9 je dobra zadana vrijednost.
  • max_tokens — Strogo ograničenje na izlazne tokene.

Opremi agenta alatima

Agent postaje doista autonoman kada može djelovati izvan teksta. Sljedeća konfiguracija daje mu i pristup webu i izvršavanje koda: suočen s pitanjem koje uspoređuje današnje tečajeve, dohvatit će vrijednosti i izračunati rezultat bez tvoje intervencije.

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}
)

Dostupni alati uključuju: web_search, web_search_premium, code_interpreter, image_generation, document_library.

Upravljaj životnim ciklusom agenta

Tvoji agenti su ustrajni resursi na strani Mistrala i njima upravljaš kao i svakim drugim resursom: pronalaziš ih, modificiraš, brišeš. Nabrajanje je posebno korisno tijekom razvoja, gdje brzo završiš s desecima testnih agenata čije si ID-ove izgubio.

# 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")

Ažuriranja su djelomična: modificiraju se samo navedena polja; ostala ostaju kakva jesu. To ti omogućuje da usavršavaš upute u produkciji bez ponovnog deklariranja cijele konfiguracije.

agent = client.beta.agents.update(
    agent_id=agent.id,
    instructions="New updated instructions.",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

Brisanje je, međutim, trajno.

client.beta.agents.delete(agent_id=agent.id)

Potpuni primjer

Spojimo sve zajedno u potpuno funkcionalnog agenta: stvaranje, razgovor i čitanje odgovora. Ovaj skript možeš koristiti kakav jest; samo promijeni ime i upute, i za nekoliko minuta imat ćeš svog vlastitog operativnog analitičara.

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)

Završna petlja zaslužuje trenutak pažnje: ona iterira kroz response.outputs umjesto čitanja jednog polja jer agent opremljen alatima proizvodi više unosa—izvršavanje pretraživanja, zatim tekst. To je ključna točka na koju trebaš paziti u sljedećoj lekciji.

Ključne točke

  • client.beta.agents.create() stvara agenta s modelom, imenom i opisom (obavezno)
  • Upute definiraju ponašanje—ovo je primarna poluga
  • completion_args kontroliraju generiranje (temperature, top_p, max_tokens)
  • Agent može imati više alata omogućenih istovremeno
  • Agenti su konfiguracije za višekratnu upotrebu, a ne instance razgovora