Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Gyakorlati példa: Fizetéskövető

12. lecke 14 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Egy teljes körű, végpontok közötti projekt
  2. Az adatok
  3. Üzleti függvények
  4. JSON-specifikációk
  5. A diszpécser szótár
  6. A beszélgetési ciklus
  7. Amit a beszélgetés feltár
  8. Főbb megállapítások

Egy teljes körű, végpontok közötti projekt

Az előző leckékben minden mechanizmust külön-külön vizsgáltunk: az eszközmeghatározásokat, a hívási ciklust, a hibakezelést és a biztonságot. Most itt az idő, hogy ezeket összeillesszük. Egy teljes körű beszélgetés alapú fizetéskövetőt fogsz felépíteni, ahol a felhasználók természetes nyelven tesznek fel kérdéseket, a rendszer pedig függvényhívásokon keresztül lekérdezi az adatokat egy Pandas DataFrame-ből. Ez az alkalmazási eset közvetlenül a hivatalos Mistral dokumentációból merít. Körülbelül száz sorba belefér, miközben bemutatja egy valós alkalmazás öt építőkövét: az adatokat, az üzleti függvényeket, a JSON-specifikációkat, a diszpécserelést és a beszélgetési ciklust.

Az adatok

Öt tranzakciót tartalmazó DataFrame fedi le az érdekes forgatókönyveket: egy több fizetéssel rendelkező ügyfelet, egy függőben lévő fizetést és egy sikertelen fizetést.

import pandas as pd
import json
import os
from mistralai.client import Mistral
from functools import partial

# Transactions DataFrame
data = {
    "transaction_id": ["T1001", "T1002", "T1003", "T1004", "T1005"],
    "customer_id": ["C001", "C002", "C003", "C002", "C001"],
    "payment_amount": [125.50, 89.99, 350.00, 45.00, 210.75],
    "payment_date": ["2026-03-15", "2026-03-16", "2026-03-17", "2026-03-17", "2026-03-18"],
    "payment_status": ["paid", "paid", "pending", "paid", "failed"]
}
df = pd.DataFrame(data)

Üzleti függvények

Négy függvény fedi le a tipikus fizetéskövetési igényeket. Az első három egyetlen tranzakción működik, és a granularitásukban különböznek: csak az állapot, csak a dátum, vagy a teljes részletek. Ez a látszólagos redundancia szándékos – lehetővé teszi a modell számára, hogy csak azt kérje le, amire szüksége van, csökkentve ezzel a kontextusban lévő felesleges adatokat. A negyedik függvény szemszöget vált, és ügyfél alapján működik.

Figyeld meg a közös szerződést: mindegyik JSON karakterláncot ad vissza, hiba esetén is, és mindegyik kezeli a hiányzó azonosítókat ahelyett, hogy hagyná, hogy a Pandas kivételt dobjon egy üres indexen.

def retrieve_payment_status(df: pd.DataFrame, transaction_id: str) -> str:
    """Retrieves the status of a payment."""
    if transaction_id in df["transaction_id"].values:
        row = df[df["transaction_id"] == transaction_id].iloc[0]
        return json.dumps({
            "transaction_id": transaction_id,
            "status": row["payment_status"]
        })
    return json.dumps({"error": f"Transaction {transaction_id} not found"})


def retrieve_payment_date(df: pd.DataFrame, transaction_id: str) -> str:
    """Retrieves the date of a payment."""
    if transaction_id in df["transaction_id"].values:
        row = df[df["transaction_id"] == transaction_id].iloc[0]
        return json.dumps({
            "transaction_id": transaction_id,
            "date": row["payment_date"]
        })
    return json.dumps({"error": f"Transaction {transaction_id} not found"})


def retrieve_payment_details(df: pd.DataFrame, transaction_id: str) -> str:
    """Retrieves all details of a payment."""
    if transaction_id in df["transaction_id"].values:
        row = df[df["transaction_id"] == transaction_id].iloc[0]
        return json.dumps({
            "transaction_id": transaction_id,
            "customer_id": row["customer_id"],
            "amount": float(row["payment_amount"]),
            "date": row["payment_date"],
            "status": row["payment_status"]
        })
    return json.dumps({"error": f"Transaction {transaction_id} not found"})


def list_customer_transactions(df: pd.DataFrame, customer_id: str) -> str:
    """Lists all transactions for a given customer."""
    customer_df = df[df["customer_id"] == customer_id]
    if customer_df.empty:
        return json.dumps({"error": f"Customer {customer_id} not found"})

    transactions = []
    for _, row in customer_df.iterrows():
        transactions.append({
            "transaction_id": row["transaction_id"],
            "amount": float(row["payment_amount"]),
            "date": row["payment_date"],
            "status": row["payment_status"]
        })
    return json.dumps({"customer_id": customer_id, "transactions": transactions})

A float(row["payment_amount"]) konverzió érdemes egy második pillantásra: enélkül a json.dumps meghibásodik a NumPy típusokon. Ez az a fajta részlet, amit csak futásidőben veszel észre.

JSON-specifikációk

A modell a fenti kódból semmit sem lát. Csak ezeket a leírásokat ismeri. A lehetséges állapotok explicit felsorolása a retrieve_payment_status függvényben, és a T1001 formátumra való emlékeztetés minden paraméterleírásban lehetővé teszi a modell számára, hogy kiválassza a megfelelő függvényt, és helyesen kinyerje az azonosítót.

tools = [
    {
        "type": "function",
        "function": {
            "name": "retrieve_payment_status",
            "description": "Retrieves the status of a payment (paid, pending, failed)",
            "parameters": {
                "type": "object",
                "properties": {
                    "transaction_id": {
                        "type": "string",
                        "description": "Transaction identifier (e.g., T1001)"
                    }
                },
                "required": ["transaction_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "retrieve_payment_date",
            "description": "Retrieves the date of a payment",
            "parameters": {
                "type": "object",
                "properties": {
                    "transaction_id": {
                        "type": "string",
                        "description": "Transaction identifier (e.g., T1001)"
                    }
                },
                "required": ["transaction_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "retrieve_payment_details",
            "description": "Retrieves all details of a payment: amount, date, status, customer",
            "parameters": {
                "type": "object",
                "properties": {
                    "transaction_id": {
                        "type": "string",
                        "description": "Transaction identifier (e.g., T1001)"
                    }
                },
                "required": ["transaction_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "list_customer_transactions",
            "description": "Lists all transactions for a given customer",
            "parameters": {
                "type": "object",
                "properties": {
                    "customer_id": {
                        "type": "string",
                        "description": "Customer identifier (e.g., C001)"
                    }
                },
                "required": ["customer_id"]
            }
        }
    }
]

A diszpécser szótár

Itt jön a csavar: a függvényeid a df-et várják első argumentumként, de a modell sosem fogja megadni – nem tudja, hogy létezik, és ez így van rendjén. A functools.partial elegánsan oldja meg ezt a problémát a DataFrame előzetes kötése révén, így a szótár minden bejegyzése csak azokkal az argumentumokkal hívható meg, amelyeket a modell előállít.

available_functions = {
    "retrieve_payment_status": partial(retrieve_payment_status, df),
    "retrieve_payment_date": partial(retrieve_payment_date, df),
    "retrieve_payment_details": partial(retrieve_payment_details, df),
    "list_customer_transactions": partial(list_customer_transactions, df),
}

A beszélgetési ciklus

A rendszerüzenet meghatározza a szerepet, a nyelvet és az összegek elvárt formázását. A chat függvény szervezi meg a többit, és a szerkezete alapos figyelmet érdemel: a while message.tool_calls ciklus kezel egyetlen hívást, több párhuzamos hívást vagy egy láncolatot, ahol a modell az első eredmény látása után újabb függvényt kér. A belső ciklus végrehajtja az összes hívást az aktuális körben; a külső ciklus újra meghívja a modellt mindaddig, amig az eszközöket kér.

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
model = "mistral-large-latest"

messages = [
    {
        "role": "system",
        "content": "You are a payment tracking assistant. "
                   "Respond in English. Use the available tools "
                   "to answer questions about transactions. "
                   "Format amounts in euros with 2 decimal places."
    }
]


def chat(user_input: str) -> str:
    """Complete conversation turn with tool_calls handling."""
    messages.append({"role": "user", "content": user_input})

    response = client.chat.complete(
        model=model, messages=messages, tools=tools
    )
    message = response.choices[0].message

    # Loop while the model wants to call functions
    while message.tool_calls:
        messages.append(message)

        for tool_call in message.tool_calls:
            fn_name = tool_call.function.name
            fn_params = json.loads(tool_call.function.arguments)

            if fn_name in available_functions:
                result = available_functions[fn_name](**fn_params)
            else:
                result = json.dumps({"error": f"Unknown function {fn_name}"})

            messages.append({
                "role": "tool",
                "name": fn_name,
                "content": result,
                "tool_call_id": tool_call.id
            })

        response = client.chat.complete(
            model=model, messages=messages, tools=tools
        )
        message = response.choices[0].message

    messages.append(message)
    return message.content

Amit a beszélgetés feltár

Teszteld ezt négy egymást követő körrel. A második a legtanulságosabb: az „ez a tranzakció“ kifejezés nem tartalmaz azonosítót, mégis a modell a retrieve_payment_details függvényt hívja meg a T1001 paraméterrel. A névmási utalást a messages listában megőrzött előzmények alapján oldotta fel, ami lehetetlen lenne, ha minden hívásnál törölnéd a listát. A negyedik kör a másik oldalt mutatja: nincs olyan függvény, amely a sikertelen fizetéseket keresné, de a modell lekérdezi az érintett ügyfelet, és maga szűri le az eredményt.

# Turn 1
print(chat("What is the status of payment T1001?"))
# -> "Payment T1001 has status: paid."

# Turn 2
print(chat("Give me all the details for this transaction."))
# -> "Here are the details for payment T1001:
#     - Customer: C001
#     - Amount: 125.50 euros
#     - Date: March 15, 2026
#     - Status: paid"

# Turn 3
print(chat("What are all the transactions for customer C002?"))
# -> "Customer C002 has 2 transactions:
#     - T1002: 89.99 euros (paid, March 16, 2026)
#     - T1004: 45.00 euros (paid, March 17, 2026)"

# Turn 4
print(chat("Are there any failed payments?"))
# -> "Yes, payment T1005 for customer C001 (210.75 euros) failed."

Az összegek tizedesponttal történő formázása és a dátumok kiírása teljes alakban nem egyetlen kódsorból sem származik: ez a rendszerpromptból következik. Ez a fejezet legfontosabb tanulsága – az észlelt minőség fele a leírásokban és a rendszerüzenetben dől el, nem a hívási mechanikákban.

Főbb megállapítások

  • Egy teljes körű fizetéskövetőhöz 4 függvény szükséges, amelyek lefedik a főbb alkalmazási eseteket
  • A functools.partial köti a DataFrame-et a függvényekhez a tiszta diszpécserelés érdekében
  • A while message.tool_calls ciklus automatikusan kezeli a szekvenciális és párhuzamos hívásokat
  • A rendszerüzenet irányítja a modellt a hangnem, a nyelv és a formázás tekintetében
  • Többkörös beszélgetésekkel tesztelj, hogy ellenőrizd: a modell megőrzi-e a kontextust