Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Esempio pratico: Tracciamento pagamenti

Lezione 12 di 14 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Un progetto completo end-to-end
  2. I dati
  3. Funzioni di business
  4. Specifiche JSON
  5. Il dizionario di dispatch
  6. Il ciclo di conversazione
  7. Cosa rivela la conversazione
  8. Punti chiave

Un progetto completo end-to-end

Nelle lezioni precedenti hai isolato ogni singolo meccanismo: definizioni degli strumenti, ciclo di chiamata, gestione degli errori e sicurezza. Ora è il momento di assemblarli. Costruirai un tracciatore di pagamenti conversazionale completo, in cui gli utenti pongono domande in linguaggio naturale e il sistema interroga un DataFrame Pandas tramite function calling. Questo caso d’uso trae ispirazione diretta dalla documentazione ufficiale di Mistral. Sta tutto in circa un centinaio di righe, ma espone i cinque mattoni fondamentali di un’applicazione reale: dati, funzioni di business, specifiche JSON, dispatch e ciclo di conversazione.

I dati

Un DataFrame con cinque transazioni copre gli scenari più interessanti: un cliente con più pagamenti, un pagamento in sospeso e un pagamento fallito.

import pandas as pd
import json
import os
from mistralai.client import Mistral
from functools import partial

# Transactions DataFrame
data = {
    "transaction_id": ["T1001", "T1002", "T1003", "T1004", "T1005"],
    "customer_id": ["C001", "C002", "C003", "C002", "C001"],
    "payment_amount": [125.50, 89.99, 350.00, 45.00, 210.75],
    "payment_date": ["2026-03-15", "2026-03-16", "2026-03-17", "2026-03-17", "2026-03-18"],
    "payment_status": ["paid", "paid", "pending", "paid", "failed"]
}
df = pd.DataFrame(data)

Funzioni di business

Quattro funzioni coprono le esigenze tipiche di tracciamento dei pagamenti. Le prime tre operano su una singola transazione e differiscono per granularità: solo lo stato, solo la data o tutti i dettagli. Questa apparente ridondanza è voluta: permette al modello di richiedere solo ciò che gli serve, riducendo i dati superflui nel contesto. La quarta cambia prospettiva e opera per cliente.

Nota il contratto comune: tutte restituiscono una stringa JSON, anche in caso di errore, e gestiscono gli identificativi mancanti invece di lasciare che Pandas sollevi un’eccezione su un indice vuoto.

def retrieve_payment_status(df: pd.DataFrame, transaction_id: str) -> str:
    """Retrieves the status of a payment."""
    if transaction_id in df["transaction_id"].values:
        row = df[df["transaction_id"] == transaction_id].iloc[0]
        return json.dumps({
            "transaction_id": transaction_id,
            "status": row["payment_status"]
        })
    return json.dumps({"error": f"Transaction {transaction_id} not found"})


def retrieve_payment_date(df: pd.DataFrame, transaction_id: str) -> str:
    """Retrieves the date of a payment."""
    if transaction_id in df["transaction_id"].values:
        row = df[df["transaction_id"] == transaction_id].iloc[0]
        return json.dumps({
            "transaction_id": transaction_id,
            "date": row["payment_date"]
        })
    return json.dumps({"error": f"Transaction {transaction_id} not found"})


def retrieve_payment_details(df: pd.DataFrame, transaction_id: str) -> str:
    """Retrieves all details of a payment."""
    if transaction_id in df["transaction_id"].values:
        row = df[df["transaction_id"] == transaction_id].iloc[0]
        return json.dumps({
            "transaction_id": transaction_id,
            "customer_id": row["customer_id"],
            "amount": float(row["payment_amount"]),
            "date": row["payment_date"],
            "status": row["payment_status"]
        })
    return json.dumps({"error": f"Transaction {transaction_id} not found"})


def list_customer_transactions(df: pd.DataFrame, customer_id: str) -> str:
    """Lists all transactions for a given customer."""
    customer_df = df[df["customer_id"] == customer_id]
    if customer_df.empty:
        return json.dumps({"error": f"Customer {customer_id} not found"})

    transactions = []
    for _, row in customer_df.iterrows():
        transactions.append({
            "transaction_id": row["transaction_id"],
            "amount": float(row["payment_amount"]),
            "date": row["payment_date"],
            "status": row["payment_status"]
        })
    return json.dumps({"customer_id": customer_id, "transactions": transactions})

La conversione float(row["payment_amount"]) merita un secondo sguardo: senza di essa, json.dumps fallisce sui tipi NumPy. È proprio il genere di dettaglio che emergi solo a runtime.

Specifiche JSON

Il modello non vede nulla del codice sopra. Conosce solo queste descrizioni. Elencare esplicitamente gli stati possibili in retrieve_payment_status e ricordare al modello il formato T1001 in ogni descrizione di parametro gli permette di scegliere la funzione giusta ed estrarre l’identificativo correttamente.

tools = [
    {
        "type": "function",
        "function": {
            "name": "retrieve_payment_status",
            "description": "Retrieves the status of a payment (paid, pending, failed)",
            "parameters": {
                "type": "object",
                "properties": {
                    "transaction_id": {
                        "type": "string",
                        "description": "Transaction identifier (e.g., T1001)"
                    }
                },
                "required": ["transaction_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "retrieve_payment_date",
            "description": "Retrieves the date of a payment",
            "parameters": {
                "type": "object",
                "properties": {
                    "transaction_id": {
                        "type": "string",
                        "description": "Transaction identifier (e.g., T1001)"
                    }
                },
                "required": ["transaction_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "retrieve_payment_details",
            "description": "Retrieves all details of a payment: amount, date, status, customer",
            "parameters": {
                "type": "object",
                "properties": {
                    "transaction_id": {
                        "type": "string",
                        "description": "Transaction identifier (e.g., T1001)"
                    }
                },
                "required": ["transaction_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "list_customer_transactions",
            "description": "Lists all transactions for a given customer",
            "parameters": {
                "type": "object",
                "properties": {
                    "customer_id": {
                        "type": "string",
                        "description": "Customer identifier (e.g., C001)"
                    }
                },
                "required": ["customer_id"]
            }
        }
    }
]

Il dizionario di dispatch

Ecco il punto cruciale: le tue funzioni si aspettano df come primo argomento, ma il modello non lo fornirà mai: non sa che esiste, ed è normale. functools.partial risolve il problema con eleganza pre-legando il DataFrame, così ogni voce del dizionario diventa chiamabile usando solo gli argomenti prodotti dal modello.

available_functions = {
    "retrieve_payment_status": partial(retrieve_payment_status, df),
    "retrieve_payment_date": partial(retrieve_payment_date, df),
    "retrieve_payment_details": partial(retrieve_payment_details, df),
    "list_customer_transactions": partial(list_customer_transactions, df),
}

Il ciclo di conversazione

Il messaggio di sistema definisce il ruolo, la lingua e la formattazione attesa per gli importi. La funzione chat orchestra il resto, e la sua struttura merita attenzione: il ciclo while message.tool_calls gestisce una singola chiamata, più chiamate parallele o una catena in cui il modello richiede un’altra funzione dopo aver visto il primo risultato. Il ciclo interno esegue tutte le chiamate per il turno corrente; quello esterno richiama il modello finché continua a richiedere strumenti.

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
model = "mistral-large-latest"

messages = [
    {
        "role": "system",
        "content": "You are a payment tracking assistant. "
                   "Respond in English. Use the available tools "
                   "to answer questions about transactions. "
                   "Format amounts in euros with 2 decimal places."
    }
]


def chat(user_input: str) -> str:
    """Complete conversation turn with tool_calls handling."""
    messages.append({"role": "user", "content": user_input})

    response = client.chat.complete(
        model=model, messages=messages, tools=tools
    )
    message = response.choices[0].message

    # Loop while the model wants to call functions
    while message.tool_calls:
        messages.append(message)

        for tool_call in message.tool_calls:
            fn_name = tool_call.function.name
            fn_params = json.loads(tool_call.function.arguments)

            if fn_name in available_functions:
                result = available_functions[fn_name](**fn_params)
            else:
                result = json.dumps({"error": f"Unknown function {fn_name}"})

            messages.append({
                "role": "tool",
                "name": fn_name,
                "content": result,
                "tool_call_id": tool_call.id
            })

        response = client.chat.complete(
            model=model, messages=messages, tools=tools
        )
        message = response.choices[0].message

    messages.append(message)
    return message.content

Cosa rivela la conversazione

Prova con quattro turni consecutivi. Il secondo è il più istruttivo: «questa transazione» non contiene alcun identificativo, eppure il modello chiama retrieve_payment_details con T1001. Ha risolto l’anafora grazie alla cronologia conservata in messages, cosa impossibile se resettassi la lista a ogni chiamata. Il quarto turno mostra l’altro lato: nessuna funzione cerca pagamenti falliti, ma il modello interroga il cliente pertinente e filtra il risultato da solo.

# Turn 1
print(chat("What is the status of payment T1001?"))
# -> "Payment T1001 has status: paid."

# Turn 2
print(chat("Give me all the details for this transaction."))
# -> "Here are the details for payment T1001:
#     - Customer: C001
#     - Amount: 125.50 euros
#     - Date: March 15, 2026
#     - Status: paid"

# Turn 3
print(chat("What are all the transactions for customer C002?"))
# -> "Customer C002 has 2 transactions:
#     - T1002: 89.99 euros (paid, March 16, 2026)
#     - T1004: 45.00 euros (paid, March 17, 2026)"

# Turn 4
print(chat("Are there any failed payments?"))
# -> "Yes, payment T1005 for customer C001 (210.75 euros) failed."

La formattazione degli importi con il punto decimale e le date scritte per esteso non deriva da nessuna riga di codice: segue direttamente dal prompt di sistema. Questa è la lezione più utile del capitolo: metà della qualità percepita nasce dalle descrizioni e dal messaggio di sistema, non dalla meccanica di chiamata.

Punti chiave

  • Un tracciatore di pagamenti completo richiede 4 funzioni che coprano i principali casi d’uso
  • functools.partial lega il DataFrame alle funzioni per un dispatch pulito
  • Il ciclo while message.tool_calls gestisce automaticamente chiamate sequenziali e parallele
  • Il messaggio di sistema guida il modello su tono, lingua e formattazione
  • Testa con conversazioni multi-turno per verificare che il modello mantenga il contesto