Gyakorlati példa: Fizetéskövető
Ezen az oldalon
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.partialköti a DataFrame-et a függvényekhez a tiszta diszpécserelés érdekében - A
while message.tool_callsciklus 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