Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Sukurk agentą naudodamas Python API

Paskaita 4 iš 18 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Tavo pirmasis „Mistral“ agentas
  2. Būtinos sąlygos
  3. Sukurk minimalų agentą
  4. Apibrėžk elgseną instrukcijomis
  5. Valdyk generavimą
  6. Aprūpink agentą įrankiais
  7. Valdyk agento gyvavimo ciklą
  8. Pilnas pavyzdys
  9. Svarbiausi punktai

Tavo pirmasis „Mistral“ agentas

Ankstesnėse trijose pamokose išmokai pagrindinę sąvokų kalbą; šioje pamokoje imiesi darbo prie klaviatūros. Sukursi agentą naudodamas Python API, palaipsniui papildydamas jį instrukcijomis, generavimo parametrais ir įrankiais, o tada pradėsi su juo pokalbį. Eiga sąmoningai laipsniška: kiekvienas papildymas keičia stebimą elgseną, parodydamas, kodėl tas pats create() metodas gali sukurti tiek bendrąjį asistentą, tiek ekspertą su griežtai apibrėžtu stiliumi.

Būtinos sąlygos

Diegimą sudaro du žingsniai. Pirmiausia – oficialus SDK.

pip install mistralai

Toliau, API raktą pateik aplinkos kintamuosiuose, o ne įterpk jį tiesiai į kodą. Atsitiktinai įkėlus raktą į saugyklą, tai tampa pirmuoju saugumo incidentu bet kuriame didžiųjų kalbos modelių projekte.

export MISTRAL_API_KEY="your-api-key"

Tada klientą sukonfigūruoji viena eilute. Šis client objektas tarnauja kaip įėjimo taškas visai likusiai pamokos daliai.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

Sukurk minimalų agentą

Metodas client.beta.agents.create() priima tris būtinus parametrus ir keletą papildomų. Pradėkime nuo absoliučiai būtinų.

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}")

Šis agentas yra minimalistas: jokių specifinių instrukcijų, įrankių ar apsaugos mechanizmų. Jis elgiasi kaip patobulintas „Chat Completions“ galinis taškas su išsaugoma būsena. Atkreipk dėmesį į identifikatorių, grąžinamą kaip agent.id: būtent jį turi saugoti savo programos pusėje, nes tai vienintelis stabilus nuorodos į šią konfigūraciją būdas.

Apibrėžk elgseną instrukcijomis

Instrukcijos veikia kaip sistemos priminimas (system prompt) ir yra pagrindinis svertas elgsenai valdyti. Toliau pateiktas pavyzdys paprastą asistentą paverčia teisės ekspertu, kurio veikimo sritis, formatas ir ribos yra aiškiai apibrėžtos.

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"""
)

Stebėk šio priminimo struktūrą: pradžioje pateikiamas vaidmens apibrėžimas, o po jo – numeruotos taisyklės. Toks skirstymas į skyrius padeda modeliui teisingai prioritetizuoti apribojimus. Būk konkretus dėl vaidmens, tono ir ribų, užuot rašęs tiesiog „būk naudingas“. Visų pirma, numatyk kraštutinius atvejus – ką agentas turėtų daryti, jei klausimas išeina už jo kompetencijos ribų? Eilutė apie poreikį kreiptis į teisininko nuomonę būtent tai ir sprendžia. Galiausiai, traktuok instrukcijas kaip kodą: jas teks testuoti ir peržiūrėti daugybę kartų, kol pasieksi norimą elgseną.

Valdyk generavimą

completion_args konfigūruoja imtuvą (sampler), tai yra būdą, kuriuo modelis pasirenka žodžius. Agentui, kurio užduotis – perteikti faktus, nereikia tokios pačios laisvės kaip agentui, skirtam idėjų generavimui.

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 – Kinta nuo 0,0 (deterministinis) iki 1,0 (kūrybiškas). Faktinėms užduotims rinkis 0,1–0,3.
  • top_p – Kumuliacinis tikimybės filtravimas. 0,9 yra geras numatytasis nustatymas.
  • max_tokens – Griežtas išvesties tokenų limitas.

Aprūpink agentą įrankiais

Agentas tampa tikrai savarankiškas, kai gali veikti už teksto ribų. Toliau pateikta konfigūracija suteikia jam prieigą prie interneto ir kodo vykdymo galimybę: susidūręs su klausimu, lyginančiu šiandienos palūkanų normas, jis pats suras reikšmes ir apskaičiuos rezultatą be tavo įsikišimo.

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}
)

Galimi įrankiai: web_search, web_search_premium, code_interpreter, image_generation, document_library.

Valdyk agento gyvavimo ciklą

Tavo agentai „Mistral“ pusėje yra nuolatiniai ištekliai, ir juos administruoji taip pat, kaip ir bet kuriuos kitus: randi, modifikuoji, ištrini. Sąrašų peržiūra ypač naudinga kūrimo metu, kai greitai gali susikaupti dešimtys testinių agentų, kurių ID jau nebeprisimeni.

# 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")

Atnaujinimai yra daliniai: keičiami tik pateikti laukai, kiti lieka nepakitę. Tai leidžia tobulinti instrukcijas veikimo metu, iš naujo neapibrėžiant visos konfigūracijos.

agent = client.beta.agents.update(
    agent_id=agent.id,
    instructions="New updated instructions.",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

Tačiau ištrynimas yra negrįžtamas.

client.beta.agents.delete(agent_id=agent.id)

Pilnas pavyzdys

Sujunkime viską į vieną visiškai funkcionuojantį agentą: kūrimas, pokalbis ir atsakymo nuskaitymas. Šį scenarijų gali naudoti tokį, koks jis yra; tiesiog pakeisk pavadinimą ir instrukcijas, ir per kelias minutes turėsi savo veikiantį analitiką.

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)

Paskutinė ciklo dalis nusipelno dėmesio: ji iteruoja per response.outputs, o ne skaito vieną lauką, nes įrankiais aprūpintas agentas sugeneruoja kelis įrašus – pirmiausia paieškos vykdymą, o tada tekstą. Tai yra esminis dalykas, į kurį reikės atkreipti dėmesį kitoje pamokoje.

Svarbiausi punktai

  • client.beta.agents.create() sukuria agentą su modeliu, pavadinimu ir aprašymu (būtina)
  • Instrukcijos apibrėžia elgseną – tai pagrindinis valdymo svertas
  • completion_args valdo generavimą (temperatūra, top_p, max_tokens)
  • Agentas vienu metu gali turėti kelis įjungtus įrankius
  • Agentai yra pakartotinai naudojamos konfigūracijos, o ne pokalbių egzemplioriai