Praktiski JSON režīma piemēri
Šajā lapā
Atjaunināts 2026. gada 3. novembrī: Iepriekšējais TypeScript piemērs importēja
Mistralkā noklusējuma eksportu, taču SDK nodrošina tikai nosaukto eksportu (import { Mistral } from "@mistralai/mistralai"). Tas arī iekodēja API atslēgu un piespiedu kārtā noteicacontenttipu ar!, kas ir nepietiekami, jo lauks var būt arī fragmentu saraksts. Pārbaudīts, kompilējot ar SDK 3.5.0 un TypeScript 7.0.2. Avots: Mistral TypeScript SDK.
JSON režīma pielietošana praksē
Tu jau zini, kā aktivizēt JSON režīmu; tagad apskatīsim konkrētus piemērus. Trīs scenāriji realitātē sastopami visbiežāk, un katrs no tiem ilustrē atšķirīgu veidu, kā izmantot šo režīmu. Kods ir sniegts Python valodā, ar TypeScript ekvivalentiem tur, kur tulkojums nav acīmredzams.
Entīteju izgūšana no nestrukturēta teksta
Entīteju izgūšana ir visbiežākais un izmaksu ziņā izdevīgākais lietojums: pārdošanas e-pasts satur pilnu kontaktinformāciju, taču tā ir paslēpta parakstā un pieklājības frāzēs. Galvenā instrukcija šajā piemērā ir sistēmas uzvednes pēdējā rinda — prasība norādīt null trūkstošajai informācijai novērš modeļa mēģinājumus izgudrot telefona numuru, lai tikai aizpildītu lauku.
from mistralai.client import Mistral
import json
client = Mistral(api_key="your-api-key")
email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
},
{"role": "user", "content": email_text}
],
response_format={"type": "json_object"},
temperature=0
)
contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")
Paredzamā izvade:
{
"name": "Marie Dupont",
"title": "Sales Director",
"company": "TechVision SAS",
"phone": "06 12 34 56 78",
"email": "[email protected]",
"address": "42 rue de la Paix, 75002 Paris"
}
Atbalsta biļešu klasificēšana
Klasificēšanai nepieciešama cita pieeja: tā vietā, lai ļautu modelim pašam izvēlēties vērtības, uzvednē tu uzskaiti katram laukam atļautās vērtības. Tas padara rezultātus salīdzināmus no vienas biļetes uz nākamo un tieši izmantojamus maršrutēšanai. Ņem vērā pāreju uz mistral-small-latest — biļešu šķirošanai nav attaisnojuma izmantot visspēcīgāko modeli.
tickets = [
"My payment was charged twice, I demand an immediate refund!",
"How can I change my password?",
"Your app crashes every time I open the settings tab.",
]
for ticket in tickets:
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "system",
"content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
},
{"role": "user", "content": ticket}
},
response_format={"type": "json_object"},
temperature=0
)
result = json.loads(response.choices[0].message.content)
print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")
Lūk, tas pats klasifikators TypeScript valodā. Pārbaude pirms JSON.parse atgādina, ka SDK definē content kā opcionālu un kā string | ContentChunk[]: parsēt var tikai virkni.
import { Mistral } from "@mistralai/mistralai";
const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });
const ticket = "My payment was charged twice!";
const response = await client.chat.complete({
model: "mistral-small-latest",
messages: [
{
role: "system",
content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
},
{ role: "user", content: ticket },
],
responseFormat: { type: "json_object" },
temperature: 0,
});
const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);
Apraksta pārveidošana produkta lapā
Trešais scenārijs: mārketinga teksta pārveidošana ierakstā, kas gatavs datubāzei. Šis uzdevums ir sarežģītāks, jo tipiem ir nozīme — cenai jābūt skaitlim, piegādes ilgumam — diviem veseliem skaitļiem, bet bezmaksas piegādei — loģiskajai vērtībai. Tāpēc uzvednē nepieciešamas precīzas anotācijas.
product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
},
{"role": "user", "content": product_text}
],
response_format={"type": "json_object"},
temperature=0
)
product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))
Rezultāts:
{
"name": "MacBook Pro 16-inch",
"brand": "Apple",
"price_eur": 2799,
"specs": {
"ram_gb": 24,
"storage_gb": 512,
"screen": "Liquid Retina XDR"
},
"colors": ["Space Black", "Silver"],
"delivery_days_min": 3,
"delivery_days_max": 5,
"free_shipping": true
}
Ņem vērā, ka zīmols Apple avota tekstā nav minēts nekur: models to secināja no produkta nosaukuma. Tas ir stiprums bagātināšanas nolūkos, taču risks, kas jāuzrauga, ja tev nepieciešama stingri burtiska izgūšana.
Vairāku vienumu apstrāde vienā izsaukumā
Nekas neliek veikt vienu izsaukumu katram vienumam. Pieprasot modelim sarakstu zem vienas atslēgas, tu samazini pieprasījumu skaitu un līdz ar to arī kopējo latentumu īsiem uzdevumiem, piemēram, atsauksmju analīzei. Šeit prasītais vērtējums ir robežās no -1,0 līdz 1,0, kas ir noderīga konvencija rezultātu apkopošanai vēlāk.
texts = [
"Excellent product, I recommend it!",
"Late delivery, damaged product.",
"Decent for the price, nothing exceptional."
]
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "system",
"content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
},
{"role": "user", "content": "\n---\n".join(texts)}
],
response_format={"type": "json_object"},
temperature=0
)
reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")
Viena detaļa, kas kopīga visiem šiem piemēriem, ir pelnījusi uzsvērumu: temperature=0 šeit ir sistemātisks. Izgūšanas un klasificēšanas uzdevumos radošums nedod nekādu labumu un maksā atkārtojamību.
Galvenās atziņas
- JSON režīms izcili darbojas datu izgūšanā, klasificēšanā un konvertēšanā
- Izmanto sistēmas uzvedni, lai definētu paredzamo struktūru un tipus
temperature=0nodrošina atkārtojamus rezultātus- Apstrāde partijās vienā pieprasījumā ir iespējama, pieprasot JSON sarakstu
- Vienmēr parsē atbildi ar
json.loads()/JSON.parse()pirms datu piekļuves