Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Spriešana aģentos un sarunās

Nodarbība 4 no 12 Atjaunota 2026. gada 2. novembris Programmētājs
Šajā lapā
  1. Trīs veidi, kā izsaukt spriešanas modeli
  2. Aģents, kas spriež
  3. Sarunu izvades lasīšana
  4. Saruna bez aģenta
  5. Spriešana un rīki
  6. Trīs pieeju salīdzinājums
  7. Integrācijas paraugprakse
  8. Galvenās atziņas

Nodarbība pārrakstīta 2026. gada 2. novembrī priekš Mistral Small 4 un Large 4. Mistral dokumentācija norāda, ka reasoning_effort ir pieejams aģentu (Agents) un sarunu (Conversations) galapunktos laukā completion_args. Avoti: Reasoning · Python SDK — Conversations.

Trīs veidi, kā izsaukt spriešanas modeli

Iepriekšējās nodarbībās izmantojām Chat Completions API: katrā izsaukumā nosūtījāt pilnu vēsturi, un reasoning_effort tika ievietots tieši pieprasījumā. Mistral piedāvā vēl divas saskarnes: Agents API, kas saglabā atkārtoti izmantojamu konfigurāciju (modelis, instrukcijas, rīki, parametri), un Conversations API, kas uztur vēsturi serverī. Šajās divās API spriešanas līmeni nenorādat augšējā līmenī; jūs to iegulstat completion_args kopā ar citiem ģenerēšanas parametriem.

Aģents, kas spriež

Spriešanas līmeņa iestatīšana aģenta definīcijā ļauj izvairīties no tā atkārtošanas katrā izsaukumā un nodrošina, ka visa komanda izmanto vienādus iestatījumus:

import os
from mistralai.client import Mistral

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

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

Sarunu izvades lasīšana

Saruna neatgriež choices; tā atgriež ierakstu (outputs) sarakstu. Modeļa atbilde atrodas ierakstos ar tipu message.output. Tāpat kā Chat Completions gadījumā, saturs ir vai nu virkne, vai fragmentu saraksts, kas var ietvert ThinkChunk. 3. nodarbībā apgūtā funkcija separer darbojas tieši tāpat kā iepriekš:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Citi ieraksti apraksta notikumus konkrētā gājiena laikā, piemēram, rīka izpildi (tool.execution) vai funkcijas izsaukumu. Ignorējiet tos, ja jūs interesē tikai galīgā atbilde.

Saruna bez aģenta

Vienreizējiem uzdevumiem Conversations API pieņem modeli tieši, bez iepriekšējas aģenta iestatīšanas. Serveris uztur vēsturi, un jūs turpināt dialogu ar conversations.append, vajadzības gadījumā pielāgojot spriešanas līmeni konkrētam gājienam:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Šī ir konkrēta priekšrocība salīdzinājumā ar Chat Completions, kur dokumentācija prasa katrā jaunā gājienā atkārtoti nosūtīt asistenta pilno ziņojumu, ieskaitot pārdomas (7. nodarbība). Izmantojot Conversations API, serveris glabā vēsturi; jums nav jānosūta tā atkārtoti katrā izsaukumā.

Spriešana un rīki

Aģents var apvienot spriešanu un rīkus: tools un completion_args ir neatkarīgi lauki, veidojot aģentu. Tādējādi analīzes aģentam var būt gan tīmekļa meklēšana, gan dziļa spriešana:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Tomēr sekojiet līdzi izmaksām: pārdomas un rīku izsaukumi vienā gājienā summējas rēķinā.

Trīs pieeju salīdzinājums

KritērijsChat CompletionsAgentsConversations
Kur iestatīt spriešanureasoning_effort pieprasījumācompletion_args aģentācompletion_args funkcijās start vai append
VēstureJānosūta katrā izsaukumā, ieskaitot pārdomasNēsā sarunaGlabāta serverī
Iebūvētie rīki (web_search…)NēJāJā
Tipisks lietojumsVienreizēji izsaukumi, pilna kontroleKoplietota, atkārtoti izmantojama konfigurācijaDaudzgājiena dialogi

Integrācijas paraugprakse

Iestatiet spriešanas līmeni aģentā, ja uzdevums ir vienveidīgs, un katrā gājienā, ja tas mainās: sākotnējā analīzes gājienā high, kam seko pārformulējuma gājieni ar low vai none atkarībā no modeļa. Pārliecinieties, ka vērtība atbilst aģenta modelim: Small 4 pieņem high un none; Large 4 pieņem low, medium un high. Visbeidzot, reģistrējiet tokena lietojumu katrā gājienā; tas ir vienīgais veids, kā uzzināt, vai spriešana jūsu lietojumgadījumam ir izdevīga.

Galvenās atziņas

  • Agents un Conversations API nododiet reasoning_effort iekš completion_args
  • Atbildes nonāk outputs; teksts atrodas message.output tipa ierakstos, ieskaitot pārdomas
  • Conversations API uztur vēsturi serverī: nav jānosūta tā atkārtoti katrā gājienā
  • Jūs varat mainīt līmeni katrā gājienā, izmantojot conversations.append
  • Aģents var apvienot iebūvētos rīkus un spriešanu, taču tas palielina kopējo lietojumu