Izveido aģentu, izmantojot Python API
Šajā lapā
Tavs pirmais Mistral aģents
Iepriekšējās trīs nodarbības nodibināja pamatjēdzienus; šajā nodarbībā tu ķeries pie praktiska darba. Tu izveidosi aģentu, izmantojot Python API, pakāpeniski bagātinot to ar instrukcijām, ģenerēšanas parametriem un rīkiem, pēc tam uzsākot ar to sarunu. Progresa gaita ir apzināti pakāpeniska: katrs papildinājums maina novērojamo uzvedību, parādot, kāpēc viena un tā pati create() metode var radīt vai nu vispārēju asistentu, vai ekspertu ar stingri noteiktu stilu.
Priekšnosacījumi
Instalācija sastāv no diviem soļiem. Pirmkārt, oficiālais SDK.
pip install mistralai
Tālāk padari savu API atslēgu pieejamu vidē, nevis iekodē to tieši kodā. Atslēgas nejauša augšupielāde repozitorijā ir pirmais drošības incidents jebkurā LLM projektā.
export MISTRAL_API_KEY="your-api-key"
Pēc tam tu izveido klientu vienā rindiņā. Šis client objekts kalpo kā ieejas punkts pārējai nodarbības daļai.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Minimāla aģenta izveide
Metode client.beta.agents.create() pieņem trīs obligātus parametrus un vairākus opcionālus. Sāksim ar absolūti nepieciešamo minimumu.
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 aģents ir minimālistisks: nav specifisku instrukciju, nav rīku, nav aizsardzības mehānismu. Tas uzvedas kā uzlabots Chat Completions galapunkts ar noturību. Ņem vērā identifikatoru, kas atgriezts laukā agent.id: tieši tas ir jāglabā lietotnes pusē, jo tas ir vienīgais stabilais atsauces punkts uz šo konfigurāciju.
Uzvedības definēšana ar instrukcijām
Instrukcijas darbojas kā sistēmas uzvedne (system prompt) un ir galvenais svira uzvedības kontrolēšanai. Tālāk redzamais piemērs pārvērš vispārēju asistentu juridiskajā ekspertā, kura darbības joma, formāts un robežas ir skaidri noteiktas.
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"""
)
Novēro šī uzvednes struktūru: lomas definīcija sākumā, kam seko numurēti noteikumi. Šāda sadaļu organizācija palīdz modelim prioritizēt ierobežojumus. Esi konkrēts attiecībā uz lomu, toni un robežām, nevis raksti vienkārši „esi noderīgs”. Pats galvenais – paredzi robežgadījumus: ko aģentam darīt, ja jautājums ir ārpus tā darbības jomas? Rindiņa par nepieciešamību konsultēties ar advokātu precīzi atrisina šo problēmu. Visbeidzot, izturies pret instrukcijām kā pret kodu: tās būs jātestē un jāpārskata vairākas reizes, pirms tās rada sagaidāmo uzvedību.
Ģenerēšanas kontrole
completion_args konfigurē paraugu ņēmēju (sampler), tas ir, veidu, kādā modelis izvēlas vārdus. Aģentam, kura uzdevums ir atkārtot faktus, nav nepieciešama tāda pati brīvība kā smadzeņu vētras rīkošanas aģentam.
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— Diapazons no 0,0 (determinēts) līdz 1,0 (radošs). Faktisku uzdevumu veikšanai dod priekšroku 0,1–0,3.top_p— Kumulatīvā varbūtības filtrēšana. 0,9 ir labs noklusējuma iestatījums.max_tokens— Stingrs ierobežojums izvades tokeniem.
Aģenta aprīkošana ar rīkiem
Aģents kļūst patiesi autonoms, kad tas spēj rīkoties ārpus teksta robežām. Tālāk redzamā konfigurācija nodrošina tam gan piekļuvi tīmeklim, gan koda izpildi: saskaroties ar jautājumu par šodienas likmju salīdzināšanu, tas iegūs vērtības un aprēķinās rezultātu bez tavas iejaukšanās.
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}
)
Pieejamie rīki ietver: web_search, web_search_premium, code_interpreter, image_generation, document_library.
Aģenta dzīves cikla pārvaldība
Tavi aģenti Mistral pusē ir noturīgi resursi, un tu tos administrēsi tāpat kā jebkuru citu resursu: atrodi tos, modificē, dzēs. Saraksta iegūšana ir īpaši noderīga izstrādes laikā, kad ātri vien uzkrājas desmitiem testa aģentu, kuru ID esi pazaudējis.
# 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")
Atjauninājumi ir daļēji: tiek modificēti tikai norādītie lauki; pārējie paliek nemainīgi. Tas ļauj pilnveidot instrukcijas ražošanas vidē, atkārtoti nenorādot visu konfigurāciju.
agent = client.beta.agents.update(
agent_id=agent.id,
instructions="New updated instructions.",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
Dzēšana tomēr ir neatgriezeniska.
client.beta.agents.delete(agent_id=agent.id)
Pilns piemērs
Apvienosim visu vienā pilnībā funkcionējošā aģentā: izveide, saruna un atbildes nolasīšana. Tu vari izmantot šo skriptu tādu, kāds tas ir; vienkārši nomaini nosaukumu un instrukcijas, un dažu minūšu laikā tev būs savs operatīvais analītiķis.
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)
Noslēguma cikls ir pelnījis īpašu uzmanību: tas iterē caur response.outputs, nevis nolasa vienu lauku, jo aģents, kas aprīkots ar rīkiem, ģenerē vairākus ierakstus – vispirms meklēšanas izpildi, pēc tam tekstu. Tas ir galvenais punkts, kam jāpievērš uzmanība nākamajā nodarbībā.
Galvenās atziņas
client.beta.agents.create()izveido aģentu ar modeli, nosaukumu un aprakstu (obligāti)- Instrukcijas definē uzvedību – tas ir galvenais regulēšanas instruments
completion_argskontrolē ģenerēšanu (temperature, top_p, max_tokens)- Aģentam vienlaicīgi var būt aktivizēti vairāki rīki
- Aģenti ir atkārtoti izmantojamas konfigurācijas, nevis sarunu instances