Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Következtetés az ügynökökben és beszélgetésekben

4. lecke 12 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Három módszer a következtető modell hívására
  2. Egy következtető ügynök
  3. A beszélgetés kimeneteinek olvasása
  4. Beszélgetés ügynök nélkül
  5. Következtetés és eszközök
  6. A három megközelítés összehasonlítása
  7. Integrációs legjobb gyakorlatok
  8. Főbb megállapítások

A leckét 2026. november 2-án írtuk át a Mistral Small 4 és Large 4 modellekhez. A Mistral dokumentációja szerint a reasoning_effort paraméter elérhető az Agents (Ügynökök) és Conversations (Beszélgetések) végpontokon belül a completion_args mezőben. Források: Reasoning · Python SDK — Conversations.

Három módszer a következtető modell hívására

A korábbi leckékben a Chat Completions API-t használtuk: minden híváskor elküldted a teljes előzményt, és a reasoning_effort paramétert közvetlenül a kérésbe helyezted. A Mistral két további felületet is kínál: az Agents API-t, amely újrafelhasználható konfigurációt (modell, utasítások, eszközök, paraméterek) ment el, valamint a Conversations API-t, amely a szerveren tárolja az előzményeket. Ebben a két API-ban nem a legfelső szinten állítod be a következtetést, hanem a completion_args objektumba ágyazod, más generálási paraméterek mellé.

Egy következtető ügynök

A következtetési szintnek az ügynök definíciójában történő beállítása elkerüli, hogy minden híváskor meg kelljen ismételni, és biztosítja, hogy a teljes csapatod ugyanazt a beállítást használja:

import os
from mistralai.client import Mistral

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

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

A beszélgetés kimeneteinek olvasása

Egy beszélgetés nem choices tömböt ad vissza, hanem bejegyzések (outputs) listáját. A modell válasza a message.output típusú bejegyzésekben található. Akárcsak a Chat Completions esetén, a tartalom lehet szöveg vagy darabok (chunkok) listája, amely tartalmazhat egy ThinkChunk elemet is. A 3. leckéből ismerős separer függvény pontosan ugyanúgy működik:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Más bejegyzések írják le, mi történt a kör során, például az eszközök végrehajtását (tool.execution) vagy egy függvényhívást. Ha csak a végső válasz érdekel, ezeket figyelmen kívül hagyhatod.

Beszélgetés ügynök nélkül

Egyszeri feladatokhoz a Conversations API közvetlenül is elfogad egy modellt, előzetes ügynök-beállítás nélkül. A szerver tárolja az előzményeket, és a conversations.append metódussal folytathatod a párbeszédet, szükség esetén adott körre igazítva a következtetési szintet:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Ez kézzelfogható előny a Chat Completionshez képest, ahol a dokumentáció előírja, hogy minden új körben újra el kell küldened az asszisztens teljes üzenetét, a reflexióval együtt (7. lecke). A Conversations API-val a szerver őrzi az előzményeket; nem kell minden híváskor újra elküldened őket.

Következtetés és eszközök

Egy ügynök kombinálhatja a következtetést és az eszközöket: az ügynök létrehozásakor a tools és a completion_args független mezők. Így egy elemző ügynök rendelkezhet webes kereséssel és mély következtetéssel is:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Figyeld azonban a költségeket: a reflexió és az eszköz hívások összeadódnak egyetlen kör számlájában.

A három megközelítés összehasonlítása

KritériumChat CompletionsAgents (Ügynökök)Conversations (Beszélgetések)
Hol állítsd be a következtetéstreasoning_effort a kérésbencompletion_args az ügynökbencompletion_args a start vagy append hívásban
ElőzményekMinden híváskor újra elküldve, reflexióval együttA beszélgetés hordozzaA szerveren tárolva
Beépített eszközök (web_search…)NemIgenIgen
Tipikus használatEgyszeri hívások, teljes kontrollMegosztott, újrafelhasználható konfigurációTöbbkörös párbeszédek

Integrációs legjobb gyakorlatok

Állítsd be a következtetési szintet az ügynökben, ha a feladat egységes, és körönként, ha változik: egy kezdeti elemző kört high szinttel, majd átfogalmazó köröket low vagy none szinttel, a modelltől függően. Ellenőrizd, hogy az érték megfelel-e az ügynök modelljének: a Small 4 elfogadja a high és none értékeket; a Large 4 elfogadja a low, medium és high értékeket. Végül naplózd a tokenfelhasználást körönként; ez az egyetlen módja annak, hogy tudd, megtérül-e a következtetés az adott használati esetedben.

Főbb megállapítások

  • Az Agents és Conversations API-kban a reasoning_effort paramétert a completion_args objektumon belül kell átadni
  • A válaszok az outputs tömbben érkeznek; a szöveg a message.output típusú bejegyzésekben található, a reflexióval együtt
  • A Conversations API a szerveren tárolja az előzményeket: nem kell minden körben újra elküldeni őket
  • A szintet körönként módosíthatod a conversations.append hívással
  • Egy ügynök kombinálhatja a beépített eszközöket és a következtetést, de ez halmozódó felhasználási költséggel jár