Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Mistral az Azure AI-n

11. lecke 14 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Miért érdemes a Mistralt az Azure-on keresztül használni?
  2. Szervermentes vagy dedikált GPU választása
  3. Az Azure-on elérhető modellek
  4. Hitelesítő adatok beszerzése
  5. A modell meghívása Pythonban
  6. Ugyanez a hívás TypeScript-ben
  7. A platform többi részének kihasználása
  8. Főbb megállapítások

Frissítve: 2026. november 3.: A korábbi TypeScript példa közvetlenül adta át a process.env.AZUREAI_API_KEY és process.env.AZUREAI_ENDPOINT változókat a MistralAzure konstruktornak. Mivel mindkét opció kötelező, a TypeScript 7 szigorú módban megtagadta a fordítást (ellenőrizve a @mistralai/mistralai-azure 2.1.0 verziójával). A környezeti változókat most a kliens létrehozása előtt validáljuk. Forrás: @mistralai/mistralai-azure SDK.

Miért érdemes a Mistralt az Azure-on keresztül használni?

Ez a kérdés ritkán merül fel technikai okokból: a közvetlen Mistral API tökéletesen működik. A kérdés inkább szerződéses és szervezeti okokból vetődik fel. Egy olyan vállalat, amely már beágyazódott a Microsoft ökoszisztémájába, egy kialkudott Azure-kötelezettséget fogyaszt, rendelkezik kialakított beszerzési folyamatokkal, és nincs kedve új szállítói szerződést kötni néhány ezer euró értékű tokenért.

Az Azure AI használata konszolidálja a számlázást a meglévő Azure-szerződésedre, biztosítja a GDPR-megfelelést az európai régiókon keresztül, natív integrációt kínál más Azure-szolgáltatásokkal – Azure Functions, Cosmos DB, Azure ML –, és Microsoft vállalati támogatást nyújt a megfelelő szolgáltatásszint-megállapodásokkal (SLA). Röviden: ugyanaz a modell, azon a governancia-perimeteren belül, amelyet az IT-osztályod már jóváhagyott.

Szervermentes vagy dedikált GPU választása

Az Azure két megközelítést kínál, és a választás a munkaterhelésed regularitásától függ. A fizess-használd alapon működő mód, más néven MaaS (Model as a Service), egy szervermentes API-t tesz elérhetővé: nincs szükség GPU-k lefoglalására, csak a felhasznált tokenekért fizetsz, és az Azure egyedül kezeli a méretezést. Ez a javasolt mód a legtöbb használathoz, különösen akkor, ha a forgalmad szabálytalan vagy kiszámíthatatlan.

A valós idejű végpontok (real-time endpoints) az ellenkező igényt elégítik ki. Kiválasztod a GPU típusát és mennyiségét, az infrastruktúra kizárólag a tiéd, és a számlázás számítási óránként történik – függetlenül attól, hogy a modell dolgozik vagy tétlen. Egy belső API, amelyet naponta több ezer felhasználó hív meg, illik ehhez a modellhez; egy prototípus, amelyet naponta háromszor érnek el, itt rengeteg pénzt pazarolna. Ne feledd a szabályt: ez a mód kiszámítható, nagy átviteli sebességű munkaterhelések esetén javasolt.

Az Azure-on elérhető modellek

A Mistral dokumentációja a következő modelleket sorolja fel az Azure-on (lista lekérve: 2026. november 2.). A katalógus rendszeresen frissül: a jelenlegi listáért lásd a hivatalos oldalt.

ModellPozicionálás
Mistral Medium 3.5Jó teljesítmény/költség arány
Mistral Large 3 (25.12)Zászlóshajó modell komplex feladatokhoz
Mistral Small (25.06)Gyors és gazdaságos
Codestral (25.01)Kódgenerálásra specializálódva
Ministral 3B (24.10)Kompakt modell könnyű feladatokhoz
Document AI (OCR 4)Szöveg és struktúra kinyerése dokumentumokból

Hitelesítő adatok beszerzése

A hitelesítő adatok lekérése az Azure felületén keresztül történik, és néhány percet vesz igénybe:

  1. Navigálj a Microsoft Foundry oldalra
  2. Hozz létre egy projektet, vagy válassz ki egy meglévőt
  3. Telepíts egy Mistral modellt a modellkatalógusból
  4. Szerezd be a végpontot (endpoint) és az API-kulcsot a telepítési oldalról

Helyezd ezt a két értéket környezeti változókba, pontosan úgy, mint a közvetlen Mistral-kulcsot. A különbség a végpontban rejlik: minden Azure-telepítésnek saját végpontja van; nincs közös URL.

export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com"
export AZUREAI_API_KEY="your-azure-secret-key"

A modell meghívása Pythonban

A Mistral SDK egy dedikált Azure-klienst biztosít, a MistralAzure-t, amely a mistralai csomag része: átadod neki a telepítési URL-t és a kulcsot, a kód többi része pedig azonos azzal, amit a közvetlen API-hoz írsz. Az SDK 2.0-s verziója (2026. március) óta ez a mistralai.azure.client modulból importálható.

import os
from mistralai.azure.client import MistralAzure

client = MistralAzure(
    server_url=os.environ["AZUREAI_ENDPOINT"],
    api_key=os.environ["AZUREAI_API_KEY"],
)

response = client.chat.complete(
    model="azureai",  # Az Azure-végpontok által várt azonosító
    messages=[
        {"role": "user", "content": "Mik az előnyei a szuverén felhőnek Európában?"}
    ]
)

print(response.choices[0].message.content)

A legzavaróbb pont a model paraméterben rejlik. Azt várnád, hogy a mistral-large-latest értéket írod be; ehelyett az azureai értéket kell megadnod. Az ok egyszerű: a modellt már a Azure-oldalon létrehozott telepítésed határozza meg; a végpont erre és csak erre mutat. A modell váltása tehát a végpont megváltoztatását jelenti, nem pedig egy karakterlánc módosítását a kódban.

A streamelés azonban egy betűnyit sem változik a közvetlen API-hoz képest – ugyanaz a metódus, ugyanaz a .data szint a chunk tartalmának eléréséhez. Ez egy egységes SDK lényege: a korábbi leckékben írt kódod változatlanul működik.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Írd le egy adat-tó architektúráját az Azure-on."}
    ]
)

for chunk in stream:
    content = chunk.data.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

Ugyanez a hívás TypeScript-ben

TypeScript oldalon az Azure-kliens egy külön csomagban érhető el, a @mistralai/mistralai-azure-ben, amelyet az npm add @mistralai/mistralai-azure paranccsal telepíthetsz. Az opciók követik a JavaScript konvencióit: apiKey és endpoint, mindkettő kötelező. Innen ered a környezeti változók validálása, amely nélkül a szigorú mód megtagadja a fordítást, mivel egy környezeti változó hiányozhat:

import { MistralAzure } from '@mistralai/mistralai-azure';

const apiKey = process.env.AZUREAI_API_KEY;
const endpoint = process.env.AZUREAI_ENDPOINT;
if (!apiKey || !endpoint) {
  throw new Error('Set AZUREAI_API_KEY and AZUREAI_ENDPOINT.');
}

const client = new MistralAzure({ apiKey, endpoint });

const response = await client.chat.complete({
  model: 'azureai',
  messages: [
    { role: 'user', content: 'Hogyan védjünk meg egy Azure Key Vaultot?' },
  ],
});

console.log(response.choices[0]?.message?.content);

Források: Mistral az Azure-on (Mistral dokumentáció) · TypeScript SDK @mistralai/mistralai-azure

A platform többi részének kihasználása

Ha a hívás működik, használd ki azokat a szolgáltatásokat, amelyekért már fizetsz. Tárold a kulcsaidat az Azure Key Vaultban a környezeti változók helyett: a kulcscsere így adminisztratív műveletté válik, nem pedig újratelepítéssé. Engedélyezd a diagnosztikai naplókat a végpontodon a késleltetés és a hibák monitorozásához; ez az egyetlen módja annak, hogy megkülönböztesd a modell lassúságát a kód lassúságától. Válassz európai régiót, például West Europe vagy France Central központot, hogy GDPR-kompatibilis maradj – ez gyakran maga az oka az Azure választásának. Végül konfigurálj Azure Monitor riasztásokat a tokenfogyasztásra: egy éjszakai munkafolyamatban rosszul lezárt ciklus sokkal később jelenik meg a számlán, mint egy riasztásban.

Főbb megállapítások

  • Az Azure AI a Mistralt szervermentes (MaaS) vagy dedikált GPU módban kínálja
  • A modellt az API-hívásokban az "azureai" azonosító jelöli
  • A MistralAzure kliens a végpontot a server_url (Python, mistralai.azure.client) vagy az endpoint (TypeScript, @mistralai/mistralai-azure) paraméteren keresztül kapja meg
  • Az Azure ökoszisztémával (Key Vault, Monitor, Functions) való integráció jelentős előny a vállalatok számára
  • Válassz európai régiót a GDPR-megfelelés biztosításához