Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Gyakorlati példák a JSON mód használatára

5. lecke 12 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A JSON mód gyakorlati alkalmazása
  2. Entitások kinyerése strukturálatlan szövegből
  3. Ügyfélszolgálati jegyek osztályozása
  4. Leírás átalakítása termékladatlappá
  5. Több elem feldolgozása egyetlen hívásban
  6. Főbb megállapítások

Frissítve: 2026. november 3.: A korábbi TypeScript példa a Mistral osztályt alapértelmezett exportként importálta, holott az SDK csak név szerinti exportot biztosít (import { Mistral } from "@mistralai/mistralai"). Emellett rögzítette az API-kulcsot, és a ! operátorral kényszerítette ki a content mező típusát, ami nem elegendő, mivel a mező tömböt is tartalmazhat. Ellenőrizve a 3.5.0-s SDK és a 7.0.2-es TypeScript fordításával. Forrás: Mistral TypeScript SDK.

A JSON mód gyakorlati alkalmazása

Már tudod, hogyan kell aktiválni a JSON módot; most nézzünk meg konkrét példákat. Három forgatókönyv fordul elő folyamatosan valós projektekben, és mindegyik a mód eltérő kihasználását szemlélteti. A kód Python nyelven érhető el, TypeScript megfelelővel kiegészítve ott, ahol az átvitel nem egyértelmű.

Entitások kinyerése strukturálatlan szövegből

Az entitáskinyerés a leggyakoribb és legköltséghatékonyabb felhasználási eset: egy értékesítési e-mail teljes kapcsolattartási adatokat tartalmaz, de ezek elvésznek az aláírásban és a udvariassági fordulatok között. A következő példa kulcsfontosságú utasítása a rendszerüzenet (system prompt) utolsó sora: a hiányzó információk esetén előírt null érték megakadályozza, hogy a modell kitaláljon egy telefonszámot csak azért, hogy kitöltse a mezőt.

from mistralai.client import Mistral
import json

client = Mistral(api_key="your-api-key")

email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
        },
        {"role": "user", "content": email_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")

Várt kimenet:

{
  "name": "Marie Dupont",
  "title": "Sales Director",
  "company": "TechVision SAS",
  "phone": "06 12 34 56 78",
  "email": "[email protected]",
  "address": "42 rue de la Paix, 75002 Paris"
}

Ügyfélszolgálati jegyek osztályozása

Az osztályozás más megközelítést igényel: ahelyett, hogy hagynád a modellt saját értékeket választani, felsorolod a promptban az egyes mezők számára engedélyezett értékeket. Ez összehasonlíthatóvá teszi az eredményeket jegyenként, és közvetlenül alkalmassá teszi őket a továbbításra (routing). Figyeld meg a váltást a mistral-small-latest modellre: a jegyek előszűréséhez nem indokolt a legerősebb modell használata.

tickets = [
    "My payment was charged twice, I demand an immediate refund!",
    "How can I change my password?",
    "Your app crashes every time I open the settings tab.",
]

for ticket in tickets:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[
            {
                "role": "system",
                "content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
            },
            {"role": "user", "content": ticket}
        ],
        response_format={"type": "json_object"},
        temperature=0
    )

    result = json.loads(response.choices[0].message.content)
    print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")

Íme ugyanaz az osztályozó TypeScript nyelven. A JSON.parse előtti ellenőrzés emlékeztet arra, hogy az SDK a content mezőt opcionálisként és string | ContentChunk[] típusként kezeli: csak sztring parseolható.

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const ticket = "My payment was charged twice!";

const response = await client.chat.complete({
  model: "mistral-small-latest",
  messages: [
    {
      role: "system",
      content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
    },
    { role: "user", content: ticket },
  ],
  responseFormat: { type: "json_object" },
  temperature: 0,
});

const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
  throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);

Leírás átalakítása termékladatlappá

Harmadik forgatókönyv: marketing szöveg adatbázisba rögzítésre kész rekorddá alakítása. Ez a feladat trükkösebb, mert a típusok számítanak: az árnak számként, a szállítási időnek két egész számként, az ingyenes szállítást pedig logikai értékként kell megérkeznie. Innen erednek a promptban található pontos annotációk.

product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
        },
        {"role": "user", "content": product_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))

Eredmény:

{
  "name": "MacBook Pro 16-inch",
  "brand": "Apple",
  "price_eur": 2799,
  "specs": {
    "ram_gb": 24,
    "storage_gb": 512,
    "screen": "Liquid Retina XDR"
  },
  "colors": ["Space Black", "Silver"],
  "delivery_days_min": 3,
  "delivery_days_max": 5,
  "free_shipping": true
}

Vedd észre, hogy a márka, az Apple, sehol sem szerepel a forrásszövegben: a modell a terméknévből következtette ki. Ez előny a dúsítás szempontjából, de kockázat, amelyet figyelni kell, ha szigorúan szó szerinti kinyerésre van szükség.

Több elem feldolgozása egyetlen hívásban

Semmi sem kényszerít arra, hogy elemenként egy hívást indíts. Ha a modelltől egyetlen kulcs alatt listát kérsz, csökkentheted a kérések számát – és ezzel az összesített késleltetést is – olyan rövid feladatoknál, mint például a vélemények elemzése. Az itt kért pontszám -1,0 és 1,0 között mozog, ami hasznos konvenció az eredmények későbbi aggregálásához.

texts = [
    "Excellent product, I recommend it!",
    "Late delivery, damaged product.",
    "Decent for the price, nothing exceptional."
]

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "system",
            "content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
        },
        {"role": "user", "content": "\n---\n".join(texts)}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
    print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")

Egy részlet, amely mind ezekre a példákra jellemző, és hangsúlyozást érdemel: a temperature=0 itt rendszeres. Kinyerési és osztályozási feladatoknál a kreativitás nem ad hozzá semmit, és a reprodukálhatóságba kerül.

Főbb megállapítások

  • A JSON mód kiválóan alkalmas adatok kinyerésére, osztályozására és konvertálására
  • Használd a rendszerüzenetet (system prompt) a várt struktúra és típusok meghatározására
  • A temperature=0 biztosítja a reprodukálható eredményeket
  • A kötegelt feldolgozás lehetséges egyetlen kérésben, ha JSON listát kérsz
  • Mindig parse-old a választ a json.loads() / JSON.parse() függvénnyel, mielőtt hozzáférnél az adatokhoz