Functies definiëren in Python
Op deze pagina
Van theorie naar code
U begrijpt nu het vijf-stappenproces en de structuur van het JSON-schema. Het is tijd om echte Python-code te schrijven. In deze les maakt u functies, stelt u hun specificaties op en bereidt u alles voor voor de Mistral API—alles wat moet bestaan voordat u de eerste netwerkaanroep doet.
De Mistral SDK installeren
Begin met het installeren van het officiële pakket:
pip install mistralai
Configureer vervolgens uw API-sleutel. De beste praktijk schrijft voor dat u deze nooit hardcode in uw bronbestanden. Lees deze in plaats daarvan uit een omgevingsvariabele, zodat u uw code veilig kunt committen naar versiebeheer.
export MISTRAL_API_KEY="your-api-key"
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Python-functies maken
Laten we kijken naar een uitgewerkt voorbeeld: een systeem voor betalingsopvolging dat wordt ondersteund door een Pandas DataFrame. Dit is een klassiek voorbeeld uit de Mistral-documentatie dat het concept perfect illustreert; hier speelt het DataFrame de rol die een database in productie zou spelen.
import pandas as pd
import json
# Betalingsgegevens
data = {
"transaction_id": ["T1001", "T1002", "T1003", "T1004", "T1005"],
"customer_id": ["C001", "C002", "C003", "C002", "C001"],
"payment_amount": [125.50, 89.99, 350.00, 45.00, 210.75],
"payment_date": ["2026-03-15", "2026-03-16", "2026-03-17", "2026-03-17", "2026-03-18"],
"payment_status": ["paid", "paid", "pending", "paid", "failed"]
}
df = pd.DataFrame(data)
Vervolgens komt de code die daadwerkelijk toegang krijgt tot deze gegevens. Dit zijn standaard Python-functies; niets in hun implementatie verraadt dat een LLM ze zal aansturen.
def retrieve_payment_status(df: pd.DataFrame, transaction_id: str) -> str:
"""Haalt de status van een betaling op aan de hand van het ID."""
if transaction_id in df["transaction_id"].values:
status = df[df["transaction_id"] == transaction_id]["payment_status"].values[0]
return json.dumps({"status": status})
return json.dumps({"error": f"Transactie {transaction_id} niet gevonden"})
def retrieve_payment_date(df: pd.DataFrame, transaction_id: str) -> str:
"""Haalt de datum van een betaling op aan de hand van het ID."""
if transaction_id in df["transaction_id"].values:
date = df[df["transaction_id"] == transaction_id]["payment_date"].values[0]
return json.dumps({"date": date})
return json.dumps({"error": f"Transactie {transaction_id} niet gevonden"})
Twee implementatiedetails verdienen uw aandacht. Ten eerste geven deze functies altijd een JSON-tekenreeks terug, nooit een rauw Python-object. Dit is het formaat dat het model verwacht als tool-resultaat, dus json.dumps() is niet onderhandelbaar. Ten tweede behandelen ze expliciet het geval waarin een transactie niet wordt gevonden in plaats van een uitzondering te genereren. Deze fout, opgemaakt als JSON, keert terug naar het model net als elk ander resultaat, waardoor het de gebruiker beleefd kan informeren dat transactie T9999 niet bestaat. Later in de cursus ziet u waarom deze reflex essentieel is.
JSON-specificaties schrijven
Elke functie heeft een specificatie nodig zodat het model deze kan begrijpen. Hier past u de structuur uit de vorige les toe op de twee bovenstaande functies—let op de strikte overeenkomst tussen de velden name en de daadwerkelijke Python-functienamen.
tools = [
{
"type": "function",
"function": {
"name": "retrieve_payment_status",
"description": "Haalt de status van een betaling (paid, pending, failed) op "
"op basis van het transactie-ID.",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Uniek transactie-identificatienummer (bijv. T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "retrieve_payment_date",
"description": "Haalt de datum op waarop een betaling is gedaan "
"op basis van het transactie-ID.",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Uniek transactie-identificatienummer (bijv. T1001)"
}
},
"required": ["transaction_id"]
}
}
}
]
Functies organiseren in een dictionary
Het model geeft een functienaam terug als een tekenreeks. U heeft een manier nodig om die tekenreeks toe te wijzen aan het bijbehorende aanroepbare object zonder toevlucht te nemen tot eval of een cascade van if-statements. Een dispatch-dictionary lost dit probleem in drie regels op.
from functools import partial
# Bind het DataFrame aan elke functie
available_functions = {
"retrieve_payment_status": partial(retrieve_payment_status, df),
"retrieve_payment_date": partial(retrieve_payment_date, df),
}
functools.partial lost een specifieke, reële moeilijkheid op. Uw functies verwachten twee argumenten—het DataFrame en het ID—maar het model levert er slechts één. Het model weet niets van df, en dat hoeft ook niet. partial vult die eerste parameter eenmalig en definitief in. Ditzelfde mechanisme is van toepassing op databaseverbindingen, HTTP-clients of authenticatietokens. Dynamische aanroep wordt vervolgens triviaal.
function_name = "retrieve_payment_status"
function_params = {"transaction_id": "T1001"}
result = available_functions[function_name](**function_params)
# → '{"status": "paid"}'
De optie tool_choice
Wanneer u deze tools naar de API verzendt, bepaalt de parameter tool_choice hoeveel vrijheid u het model geeft. Drie waarden zijn mogelijk.
# Het model beslist zelf of het een tool gebruikt of direct antwoordt (standaard)
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
tools=tools,
tool_choice="auto"
)
# Forceer het model om een tool te gebruiken
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
tools=tools,
tool_choice="any"
)
# Verhindert dat het model tools gebruikt
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
tools=tools,
tool_choice="none"
)
De modus "auto" is om goede reden het meest gebruikelijk in productie: een assistent voor betalingsopvolging moet “hallo” kunnen zeggen zonder een databasequery te activeren. Het model antwoordt direct op algemene vragen en gebruikt functies alleen wanneer dit relevant is. Een volledige les later in de cursus behandelt specifieke use cases voor any en none.
Belangrijkste punten
- Functies moeten JSON-tekenreeksen teruggeven—nooit rauwe Python-objecten
- Gebruik een dispatch-dictionary om functienamen toe te wijzen aan hun implementaties
functools.partialis ideaal om parameters vooraf in te vullen, zoals DB-verbindingen of DataFramestool_choicebepaalt of het model functies mag of moet gebruiken (auto,any,none)- Behandel altijd foutgevallen in uw functies (ongeldige parameters, ontbrekende gegevens)