Įrankis code_interpreter: vykdyti Python kodą
Šiame puslapyje
Kodų vykdymas „Mistral“ debesyje
Įrankis code_interpreter leidžia tavo agentui rašyti ir vykdyti Python kodą izoliuotame konteineryje. Tai idealus pasirinkimas skaičiavimams, duomenų analizei, diagramų kūrimui ir kodo tikrinimui. Tai ne tik patogumas: didysis kalbos modelis (LLM), kuris „skaičiuoja galvoje“, pateikia tikėtina, bet nebūtinai teisingą rezultatą. Perkeliant operaciją į tikrąjį interpretatorių, žetonų prognozavimą pakeičiame patikrinamu vykdymu, todėl gauni kodą, kurį gali peržiūrėti.
Agento su kodų interpretatoriumi kūrimas
Šio agento instrukcijose reikalaujama parodyti kodą prieš jį vykdant, taip suteikiant tau kontrolės tašką над tuo, kas iš tikrųjų bus paleista.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="Code Agent",
instructions="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
tools=[{"type": "code_interpreter"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Vykdymo inicijavimas
Paprastas skaičiavimo prašymas pakankamas įrankiui suaktyvinti; jokių specialių instrukcijų iš tavęs nereikia.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Calculate the first 20 Fibonacci numbers."
)
Tada agentas parašo Python scenarijų sekai apskaičiuoti, paleidžia jį izoliuotoje aplinkoje ir pateikia rezultatus kartu su paaiškinimais. Gautos dvidešimt reikšmių yra tikro vykdymo rezultatas: jos bus tikslios net ir ten, kur modeliai paprastai pradeda klysti.
Atsakymo struktūra
Šį mechanizmą gali matyti tiesiogiai grąžinamuose įrašuose, o tavo kodas turi atskirti tekstą nuo vykdymo rezultatų.
for entry in response.outputs:
if entry.type == "message.output":
# Pirmas atsakymas: "Apskaičiuosiu..." arba galutinis rezultatas
print(f"Message: {entry.content}")
elif entry.type == "tool.execution":
# Įvykdytas kodas ir rezultatas
print(f"Code: {entry.info.code}")
print(f"Output: {entry.info.code_output}")
Agentas pradeda nuo message.output, pranešdamas, ką ketina daryti. Toliau eina tool.execution, kur vykdomas kodas: info.code turi scenarijų, o info.code_output – jo išvestį. Sekmą užbaigia antras message.output, kuriame agentas interpretuoja ir paaiškina rezultatus. Šie du laukai, info.code ir info.code_output, yra tavo audito takas – saugok juos savo programos žurnaluose, nes jie leidžia atkurti ir patikrinti bet kokį agento pateiktą skaičių.
Ką įrankis keičia praktiškai
Duomenų analizė yra akivaizdžiausias naudojimo atvejis. Pateik reikšmių rinkinį ir paprašyk statistikos: vidurkis, mediana ir standartinis nuokrypis bus apskaičiuoti, o ne įvertinti.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Here are the monthly sales (in K€):
Jan: 120, Feb: 135, Mar: 142, Apr: 128, May: 155, Jun: 168
Calculate the mean, median, standard deviation, and trend."""
)
Diagramų kūrimas natūraliai papildo šią galimybę, nes aplinkoje yra braižymo bibliotekų.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Create a bar chart of cloud market shares in Europe: AWS 31%, Azure 25%, GCP 11%, OVH 8%, Others 25%"
)
Agentas naudoja matplotlib diagramai sugeneruoti. Rezultatas yra vaizdo failas, pasiekiamas atsakyme – todėl įsitikink, kad tavo nuskaitymo kodas tvarko šį atvejį, kitaip rodysi tik lydimąjį tekstinį komentarą.
Kodo tikrinimas yra trečiasis, mažiau akivaizdus, bet vertingas naudojimo atvejis. Pateik funkciją ir testavimo atvejus, kuriuos reikia padengti: agentas ne tik samprotauja apie kodą, bet ir jį paleidžia. Toliau pateiktame pavyzdyje įvestis "Madam" atskleidžia trūkumą, kurio paprasta kodo apžvalga greičiausiai nepastebėtų.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Check if this function is correct:
def is_palindrome(s):
return s == s[::-1]
Test it with: "radar", "hello", "kayak", "Madam"
"""
)
Taikomąją matematiką taip pat galima įtraukti į sąrašą: lygčių sistemų sprendimas, tiesinė algebra, optimizavimas. Ir čia atsakymas remiasi sprendikliu, o ne intuicija.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)
Derinimas su kitais įrankiais
Agentas gali vienu metu turėti kelis įjungtus įrankius, ir būtent čia dažnai atsiranda tikroji vertė: paieška pateikia naujus duomenis, kuriuos kodas paverčia analize.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Complete Analyst",
description="Search + Calculation",
instructions="Search for recent data then analyze it with code.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter"}
]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Find the current price of Bitcoin and calculate its percentage change over the last 30 days."
)
Agentas automatiškai pasirenka, kurį įrankį naudoti kiekviename žingsnyje. Šiame prašyme jis sujungia abu: negali apskaičiuoti pokyčio pirmiau negavęs reikšmių, o tų reikšmių negali gauti be prieigos prie interneto.
Izoliuotos aplinkos apribojimai
Ši izoliuota aplinka nustato apribojimus, kuriuos turi žinoti prieš kurdama savo programą. Bibliotekos yra ribotos: standartiniai Python paketai yra prieinami – numpy, pandas, matplotlib ir kiti, – bet ne visi trečiųjų šalių paketai, todėl tavo vidinės priklausomybės neveiks. Kodas neturi prieigos prie tinklo, todėl duomenys turi pasiekti jį per kontekstą arba kitą įrankį, niekada per scenarijuje parašytą HTTP užklausą. Vykdymo laikas yra ribotas, todėl ilgai trunkantys procesai bus nutraukti: didelius duomenų kiekius skaidyk į dalis, o ne tikėkis vieno praėjimo. Galiausiai, tarp kvietimų nėra išsaugojimo; vieno vykdymo metu sukurtas failas kito vykdymo metu nebus rastas.
Svarbiausi punktai
code_interpretervykdo Python kodą saugioje izoliuotoje „Mistral“ aplinkoje- Atsakyme yra įvykdytas kodas (
info.code) ir jo išvestis (info.code_output) - Idealus skaičiavimams, duomenų analizei ir diagramų kūrimui
- Gali būti derinamas su kitais įrankiais (pvz.,
web_search) - Izoliuota aplinka turi apribojimų: nėra prieigos prie tinklo, ribotos bibliotekos, nėra duomenų išsaugojimo