Hogyan vágj bele a Forge használatába
Ezen az oldalon
Frissítés: 2026. november 2. — A Le Chat mostantól Vibe. 2026. május 28-tól a Le Chat márkanevet Vibe-ra változtatták (továbbra is a chat.mistral.ai címen érhető el): ez egyetlen ügynök munkához és kódoláshoz, amely megőrzi beszélgetéseidet, beállításaidat és előfizetéseidet. A régi Le Chat élmény továbbra is elérhető marad a Chat módban. A Work módban az ügynökök készségekké (skills) váltak (a
@jellel hívhatók meg), az emlékezet alkotja a tudásbázist, a mélyreható kutatás pedig a Deep Research készség. A csomagok neve mostantól Mistral Free, Pro, Team és Enterprise. Ez a lecke a Vibe nevet használja; egyes itt leírt menük neve vagy elhelyezkedése megváltozhatott.
Négyfázisú projekt
Egy Forge-projekt elindítása alapos tervezést igényel. Szigorú előkészületet, szoros együttműködést a Mistral csapataival, valamint céljaid tisztán látását kívánja meg. Minden fázis megalapozza a következőt: a homályos meghatározás gyenge adatválasztáshoz, a gyenge adatok csalódást keltő modellhez vezetnek, és a problémára csak három hónap múlva derül fény.
1. fázis — Felmérés és meghatározás
Először azonosítsd azokat a forgatókönyveket, ahol a finomhangolás több értéket teremt, mint egy alapmodell vagy a RAG. A gyakorlatban a jelöltek négy visszatérő kategóriába sorolhatók. Kezd a mély szakértelmet igénylő, ismétlődő feladatokkal – műszaki diagnosztika, megfelelőségi elemzés, specializált kódreview –, ahol a modellnek a szakértői gondolkodásmódot kell lemásolnia, nem pedig dokumentumokat visszakeresnie. Ezt követik a szabványosított ügyfélinterakciók: 1–2. szintű támogatás, pályázati válaszok (RFP), ágazati jelentések, ahol a hangnem és a szerkezet a te bevált konvencióidat követi. Ezután jönnek az egyes üzleti folyamatok, például a kockázatfelmérés a belső kritériumaid alapján vagy a dokumentumosztályozás a te taxonómiád szerint. Végül a szabályozói megfelelés akkor alkalmazandó, amikor olyan dokumentumokat kell előállítanod, amelyek megfelelnek az ágazatspecifikus szabványoknak, amelyeket egy általános modell nem ismer részletesen.
Másodszor, mérd fel az adatérettségedet, mivel ez közvetlenül meghatározza a modell minőségét. Kezd a mennyiséggel: ellenőrizd, hogy van-e elég nagy minőségű mintád – hatékony finomhangoláshoz általában több ezer szükséges. Ezután vizsgáld meg magát a minőséget: megbízhatóak, naprakészek és szakértelmedet reprezentatívan tükrözik-e a minták? Következő lépésként ellenőrizd a sokszínűséget: lefedik-e a modell által kezelendő forgatókönyvek teljes skáláját? Végül tekintsd át a formátumot: már strukturáltak, vagy előkészítést igényelnek? A fázis a te csapatod és a Mistral kereskedelmi, illetve technikai csapatai közötti megbeszéléssel zárul: ismertesd céljaidat, vitasd meg a használati eseteket, erősítsd meg a műszaki megvalósíthatóságot, becsüld meg a hatókört és az ütemtervet, majd vedd át a kereskedelmi ajánlatot.
2. fázis — Adatelőkészítés
A Forward-Deployed Engineers (telepített mérnökök) a csapataiddal közösen állítják össze a tanító adatkészletet. A kinyerés (extraction) kiveszi az adatokat a forrásrendszereidből – tudásbázisok, jegyelőzmények, műszaki dokumentáció, ügyfélcserék. A tisztítás eltávolítja az ismétlődéseket, kijavítja a hibákat, és anonimizálja a személyes adatokat. A formázás utasítás/válasz párokká alakít mindent, amelyek alkalmasak a finomhangolásra. Az ellenőrzés során az adatkészletet átadjuk a te alanyismereti szakértőidnek, hogy igazolják a minták minőségét és relevanciáját. Ez a leginkább alábecsült lépés: egy nem ellenőrzött adatkészlet a legjobb gyakorlataid mellett a hozzávetőleges megoldásaidat is megtanítja a modellnek.
Ettől párhuzamosan fut egy külön értékelő készlet: üzleti benchmarkok – szakértőid által validált kérdések és válaszok – valamint perem esetek (edge cases), azaz összetett vagy kétértelmű forgatókönyvek, amelyeket a robusztusság tesztelésére terveztek. Ugyanazokat a kérdéseket teszed fel mind az alapmodellnek, mind a testreszabott modellnek, majd összehasonlítod őket explicit metrikák alapján: pontosság, relevancia, valamint a belső hangnemedhez és folyamataidhoz való igazodás. E fázis során az adatok titkosított csatornákon mozognak, a szervezeted számára dedikált, izolált környezetben tárolódnak, kizárólag a projekthez rendelt Mistral-mérnökök férnek hozzájuk, és egy speciális titoktartási megállapodás védi őket.
3. fázis — Modelltanítás
Az alapmodell kiválasztása a használati esettől függ: Mistral Large a fejlett következtetést igénylő összetett feladatokhoz, Mistral Medium a legtöbb helyzetben a legjobb teljesítmény-költség arányhoz, valamint kódhoz, többnyelvű feladatokhoz vagy egyéb domainekhez optimalizált specializált modellek.
A tanítás a Mistral európai GPU-infrastruktúráján fut. A mérnökök beállítják a hiperparamétereket, elindítják a felügyelt tanítást az adataidon, valós időben figyelik a konvergenciát, és több iterációt futtatnak. Az időtartam néhány órától több napig terjed, az adatmennyiségtől és az alapmodell méretétől függően. Minden ciklus után a modellt kiértékelik a teszt készleten – összehasonlítják az alapmodellel, elemzik a hibákat és a perem eseteket, szükség esetén módosítják az adatokat, és a te alanyismereti szakértőid validálják – mindaddig, amíg el nem éri a meghatározási fázisban kitűzött teljesítménycélokat.
4. fázis — Élesítés (Production Deployment)
A testreszabott modellt az infrastruktúrádnak és megfelelőségi követelményeidnek megfelelően helyezed üzembe.
| Opció | Mit foglal magában |
|---|---|
| Mistral Cloud | A Mistral infrastruktúráján hosztolva, a Mistral Enterprise és az API üzerinden érhető el. A leggyorsabb telepítés. |
| Dedikált VPC | Teljes hálózati izoláció egy privát felhőben. Szabályozott ágazatok (pénzügy, egészségügy) számára ajánlott. |
| Helyi (On-premise) | A te szervereidön: teljes kontroll, az adatok nem hagyják el a telephelyedet. Megfelelő GPU-infrastruktúrát igényel. |
| Partner Cloud | Azure, AWS vagy GCP meglévő integrációkon keresztül. Ideális, ha a felhőkörnyezeted már ki van építve. |
Az integráció ezt követően több kiegészítő úton történik: Mistral Enterprise, ahol a modell elérhetővé válik a beszélgetési felületen; a REST API, hogy alkalmazásaidból, munkafolyamataidból és üzleti eszközeidből hívd meg; Python és JavaScript SDK-k a programozott integrációhoz; valamint webhookok, amelyek üzleti eseményekre indítják el a modellt. A telepítés nem zárja le a projektet. A folyamatos monitorozás követi a késleltetést, a pontosságot és a felhasználói elégedettséget, észleli az elcsúszást (drift), riasztást küld romlás esetén, és ütemezi a frissítéseket és az újratanítást.
Tipikus ütemterv
| Időszak | Lépés |
|---|---|
| 1–2. hét | Felmérés és meghatározás |
| 3–6. hét | Adatelőkészítés |
| 7–10. hét | Tanítás és értékelés (iteratív) |
| 11–14. hét | Telepítés és integráció |
| Ezt követően | Monitorozás, optimalizálás és frissítések |
A teljes időtartam az eset összetettségétől és az adatérettségtől függően 3–6 hónap. Ha szétszórt, nem ellenőrzött adatokkal kezdesz, a 2. fázis bővül ki – sosem a tanítási fázis.
Főbb megállapítások
- A Forge-folyamat négy fázist követ: felmérés, adat, tanítás, telepítés
- A tanító adatok minősége határozza meg a modell teljesítményét
- A Forward-Deployed Engineers minden projekt lépést végigkísérnek
- A telepítési lehetőségek közé tartozik a Mistral Cloud, a VPC, a helyi (on-premise) vagy a partner felhő
- Egy tipikus projekt 3–6 hónapot vesz igénybe a felméréstől az élesítésig