Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Alat code_interpreter: Pokretanje Pythona

Lekcija 9 od 18 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Pokretanje koda u Mistral oblaku
  2. Stvaranje agenta s interpreterom koda
  3. Pokretanje izvršavanja
  4. Struktura odgovora
  5. Što alat mijenja u praksi
  6. Kombiniranje s drugim alatima
  7. Ograničenja sandboxa
  8. Ključne točke

Pokretanje koda u Mistral oblaku

Alat code_interpreter omogućuje tvom agentu pisanje i izvršavanje Python koda unutar izoliranog spremnika (sandbox). To je idealan izbor za izračune, analizu podataka, generiranje grafikona i validaciju koda. Ne radi se samo o pogodnosti: LLM koji „izračunava“ u svojoj glavi proizvodi vjerojatan, a ne nužno točan rezultat. Prebacivanjem operacije na stvarni interpreter zamjenjuješ predviđanje tokena provjerljivim izvršavanjem, čime dobivaš kod koji možeš pregledati.

Stvaranje agenta s interpreterom koda

Upute za ovog agenta zahtijevaju da prikaže kod prije izvršavanja, što ti daje kontrolnu točku nad onim što se zapravo pokreće.

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="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
    tools=[{"type": "code_interpreter"}],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Pokretanje izvršavanja

Jednostavan zahtjev za izračun dovoljan je za aktiviranje alata; nisu potrebne nikakve posebne upute s tvoje strane.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Calculate the first 20 Fibonacci numbers."
)

Agent zatim piše Python skriptu za izračun niza, pokreće je u sandboxu i prezentira rezultate uz objašnjenja. Dvadeset vrijednosti koje dobivaš proizlaze iz stvarnog izvršavanja: bit će točne čak i ondje gdje model obično počinje griješiti.

Struktura odgovora

Ovaj mehanizam možeš izravno pročitati u vraćenim unosima, a tvoj kod mora razlikovati tekst od rezultata izvršavanja.

for entry in response.outputs:
    if entry.type == "message.output":
        # First response: "I will calculate..." or final result
        print(f"Message: {entry.content}")

    elif entry.type == "tool.execution":
        # Executed code and result
        print(f"Code: {entry.info.code}")
        print(f"Output: {entry.info.code_output}")

Agent započinje s message.output najavljujući što namjerava učiniti. Slijedi tool.execution gdje se kod izvršava: info.code sadrži skriptu, a info.code_output njezin izlaz. Drugi message.output zatvara sekvencu, u kojem agent tumači i objašnjava rezultate. Ova dva polja, info.code i info.code_output, tvoja su revizijska staza – zadrži ih u zapisnicima svoje aplikacije jer ti omogućuju ponovno pokretanje i osporavanje bilo koje brojke koju je agent proizveo.

Što alat mijenja u praksi

Analiza podataka najčešći je slučaj upotrebe. Pruži niz vrijednosti i zatraži statistiku: srednja vrijednost, medijan i standardna devijacija se izračunavaju, a ne procjenjuju.

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."""
)

Generiranje grafikona prirodno proširuje ovu mogućnost jer okruženje uključuje biblioteke za crtanje.

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%"
)

Agent koristi matplotlib za generiranje grafikona. Rezultat je slikovna datoteka dostupna u odgovoru – stoga osiguraj da tvoj kod za čitanje obrađuje ovaj slučaj, inače ćeš prikazati samo popratni tekstualni komentar.

Validacija koda treći je slučaj upotrebe, manje očigledan, ali vrijedan. Pošalji funkciju i testne slučajeve koje treba pokriti: agent ne razmišlja samo o kodu, već ga i pokreće. U primjeru u nastavku, ulaz "Madam" otkriva manu koju bi jednostavni pregled koda vjerojatno propustio.

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"
"""
)

Primijenjena matematika zaokružuje popis: rješavanje sustava jednadžbi, linearna algebra, optimizacija. I ovdje se odgovor oslanja na rješavač, a ne na intuiciju.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)

Kombiniranje s drugim alatima

Agent može imati istovremeno omogućeno više alata, a upravo se tu često pojavljuje stvarna vrijednost: pretraživanje donosi svježe podatke koje kod pretvara u analizu.

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."
)

Agent automatski bira koji alat koristiti u svakom koraku. U ovom zahtjevu on ih lančano povezuje: ne možeš izračunati promjenu bez prethodnog dobivanja vrijednosti, a te vrijednosti ne možeš dobiti bez pristupa webu.

Ograničenja sandboxa

Ovo izolirano okruženje nameće ograničenja koja trebaš poznavati prije dizajniranja svoje aplikacije. Biblioteke su ograničene: standardni Python paketi su dostupni – numpy, pandas, matplotlib, između ostalih – ali ne i svi paketi trećih strana, što isključuje tvoje interne ovisnosti. Kod nema mrežni pristup, pa podaci do njega moraju stići putem konteksta ili drugog alata, nikada putem HTTP poziva napisanog u skripti. Vrijeme izvršavanja je ograničeno, pa se dugotrajni procesi prekidaju: razbij velike volumene umjesto da se nadaš jednom prolazu. Konačno, ne postoji trajnost između poziva; datoteka stvorena tijekom jednog izvršavanja neće biti pronađena u sljedećem.

Ključne točke

  • code_interpreter pokreće Python u sigurnom sandboxu na strani Mistrala
  • Odgovor sadrži izvršeni kod (info.code) i njegov izlaz (info.code_output)
  • Idealno za izračune, analizu podataka i generiranje grafikona
  • Može se kombinirati s drugim alatima (web_search, itd.)
  • Sandbox ima ograničenja: nema mrežnog pristupa, ograničene biblioteke, nema trajnosti