Agent létrehozása a Python API-val
Ezen az oldalon
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_argsszabályozza a generálást (temperature, top_p, max_tokens) - Egy ügynök egyszerre több eszközzel is rendelkezhet
- Az ügynökök újrafelhasználható konfigurációk, nem pedig beszélgetéspéldányok