Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Agent létrehozása a Python API-val

4. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Az első Mistral-ügynököd
  2. Előfeltételek
  3. Egy minimális ügynök létrehozása
  4. Viselkedés meghatározása utasításokkal
  5. A generálás szabályozása
  6. Eszközökkel való felszerelés
  7. Az ügynök életciklusának kezelése
  8. Teljes példa
  9. Főbb megállapítások

Az első Mistral-ügynököd

Az előző három leckében megtanultad a szókincset; ebben a részben már a billentyűzethez ülsz. Létrehozol egy ügynököt a Python API segítségével, majd fokozatosan gazdagítod utasításokkal, generálási paraméterekkel és eszközökkel, végül pedig beszélgetést indítasz vele. A felépítés szándékosan lépésről lépésre halad: minden új elem módosít egy megfigyelhető viselkedést, így láthatod, miért képes ugyanaz a create() metódus vagy egy általános asszisztenst, vagy egy szigorúan szabályozott stílusú szakértőt előállítani.

Előfeltételek

A telepítés két lépésből áll. Először a hivatalos SDK-t kell telepítened.

pip install mistralai

Ezután tedd elérhetővé az API-kulcsodat a környezetben, ahelyett, hogy közvetlenül a kódba írnád. Egy kulcs véletlen repositoryba történő feltöltése az első biztonsági incidens bármely LLM-projekt életében.

export MISTRAL_API_KEY="your-api-key"

Ezután egyetlen sorban hozod létre a klienst. Ez a client objektum szolgál belépési pontként a lecke hátralévő részéhez.

from mistralai.client import Mistral
import os

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

Egy minimális ügynök létrehozása

A client.beta.agents.create() metódus három kötelező paramétert és számos opcionálisat fogad el. Kezdjük a legszükségesebbekkel.

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}")

Ez az ügynök minimalista: nincsenek konkrét utasításai, eszközei vagy védőkorlátai. Úgy viselkedik, mint egy továbbfejlesztett Chat Completions végpont, állapottartással. Figyeld meg a agent.id-ben visszaadott azonosítót: ezt kell tárolnod az alkalmazás oldalán, mivel ez az egyetlen stabil hivatkozás erre a konfigurációra.

Viselkedés meghatározása utasításokkal

Az utasítások rendszerüzenetként (system prompt) funkcionálnak, és ezek a legfontosabb eszközök a viselkedés szabályozására. Az alábbi példa egy általános asszisztenst jogi szakértővé alakít, akinek a hatásköre, formátuma és korlátai explicit módon definiáltak.

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"""
)

Figyeld meg ennek az utasításnak a felépítését: a szerep meghatározása az elején, majd számozott szabályok követik. Ez a szekcionált szervezés segít a modellnek prioritást rendelni a kényszereknek. Légy konkrét a szerep, a hangnem és a korlátok tekintetében, ne csak annyit írj, hogy „légy segítőkész“. Mindenekelőtt gondold át a szélsőséges eseteket: mit tegyen az ügynök, ha a kérdés kívül esik a hatáskörén? Az ügyvédi vélemény kikéréséről szóló sor ezt pontosan kezeli. Végül kezeld az utasításokat kódként: többször tesztelned és módosítanod kell őket, mielőtt a várt viselkedést produkálnák.

A generálás szabályozása

A completion_args konfigurálja a mintavételezőt (sampler), azaz azt, hogyan választja ki a modell a szavakat. Egy tényeket összefoglaló ügynöknek nincs szüksége ugyanolyan szabadságra, mint egy ötletelő ügynöknek.

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 — 0,0 (determinisztikus) és 1,0 (kreatív) között mozog. Tényalapú feladatoknál részesítsd előnyben a 0,1–0,3 tartományt.
  • top_p — Kumulatív valószínűségi szűrés. A 0,9 jó alapértelmezett érték.
  • max_tokens — Szigorú korlát a kimeneti tokenek számára.

Eszközökkel való felszerelés

Egy ügynök akkor válik igazán autonómmá, ha a szövegen túl is képes cselekedni. A következő konfiguráció webes hozzáférést és kódvégrehajtást biztosít számára: ha olyan kérdéssel szembesül, amely mai árfolyamok összehasonlítását igényli, lekéri az értékeket és kiszámolja az eredményt a beavatkozásod nélkül.

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}
)

Az elérhető eszközök közé tartozik: web_search, web_search_premium, code_interpreter, image_generation, document_library.

Az ügynök életciklusának kezelése

Az ügynökeid állandó erőforrások a Mistral oldalán, és ugyanúgy kezelheted őket, mint bármely más erőforrást: megtalálod, módosítod, törlöd őket. A listázás különösen hasznos fejlesztés közben, amikor gyorsan tucatnyi tesztügynököd lesz, amelyeknek elvesztetted az azonosítóját.

# 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")

A frissítések részlegesek: csak a megadott mezők módosulnak, a többi változatlan marad. Ez lehetővé teszi, hogy éles környezetben finomítsd az utasításokat anélkül, hogy az egész konfigurációt újra meg kellene adnod.

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

A törlés azonban végleges.

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

Teljes példa

Foglalkozzunk össze mindent egy teljesen működőképes ügynökké: létrehozás, beszélgetés és a válasz kiolvasása. Ezt a szkriptet változtatás nélkül használhatod; csak módosítsd a nevet és az utasításokat, és percek alatt meglesz a saját operatív elemződ.

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)

A záró ciklus külön figyelmet érdemel: a response.outputs elemein iterál végig ahelyett, hogy egyetlen mezőt olvasna be, mert egy eszközökkel felszerelt ügynök több bejegyzést is produkál – először a keresés végrehajtását, majd a szöveget. Ez a kulcspont, amit a következő leckében figyelni fogsz.

Főbb megállapítások

  • A client.beta.agents.create() létrehoz egy ügynököt modell, név és leírás megadásával (kötelező)
  • Az utasítások határozzák meg a viselkedést – ez a legfontosabb eszköz
  • A completion_args szabályozza a generálást (temperature, top_p, max_tokens)
  • Egy ügynök egyszerre több eszközzel is rendelkezhet
  • Az ügynökök újrafelhasználható konfigurációk, nem pedig beszélgetéspéldányok