Redeneren in agents en conversaties
Op deze pagina
Les herschreven op 2 november 2026 voor Mistral Small 4 en Large 4. De documentatie van Mistral stelt dat
reasoning_effortbeschikbaar is op de Agents- en Conversations-endpoints binnen het veldcompletion_args. Bronnen: Reasoning · Python SDK — Conversations.
Drie manieren om een redeneermodel aan te roepen
Eerdere lessen maakten gebruik van de Chat Completions API: u stuurde bij elke oproep de volledige geschiedenis mee en plaatste reasoning_effort direct in het verzoek. Mistral biedt twee andere interfaces: de Agents API, die een herbruikbare configuratie opslaat (model, instructies, tools, parameters), en de Conversations API, die de geschiedenis op de server bewaart. Bij deze twee API’s stelt u het redeneerniveau niet op het hoogste niveau in; u nestelt het binnen completion_args, samen met andere generatieparameters.
Een agent die redeneert
Door het redeneerniveau in de agentdefinitie in te stellen, voorkomt u dat u dit bij elke oproep hoeft te herhalen en zorgt u ervoor dat uw hele team dezelfde instelling gebruikt:
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?",
)
Conversatie-uitvoer lezen
Een conversatie geeft geen choices terug; het retourneert een lijst met items (outputs). Het antwoord van het model bevindt zich in items van het type message.output. Net als bij Chat Completions is de inhoud een string of een lijst met chunks die een ThinkChunk kunnen bevatten. De functie separer uit Les 3 werkt precies zoals eerder:
for entry in reponse.outputs:
if entry.type == "message.output":
reflexion, texte = separer(entry.content)
print(texte)
Andere items beschrijven wat er tijdens de beurt is gebeurd, zoals tool-uitvoering (tool.execution) of een functieaanroep. Negeer deze als u alleen geïnteresseerd bent in het eindantwoord.
Een conversatie zonder agent
Voor eenmalige taken accepteert de Conversations API direct een model, zonder voorafgaande agent-configuratie. De server bewaart de geschiedenis en u zet de uitwisseling voort met conversations.append, waarbij u het redeneerniveau voor een specifieke beurt indien nodig aanpast:
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
)
Dit is een concreet voordeel ten opzichte van Chat Completions, waar de documentatie vereist dat u het volledige bericht van de assistent, inclusief reflectie, bij elke nieuwe beurt opnieuw afspeelt (Les 7). Met de Conversations API bewaart de server de geschiedenis; u hoeft deze niet bij elke oproep opnieuw te verzenden.
Redeneren en tools
Een agent kan redeneren en tools combineren: tools en completion_args zijn onafhankelijke velden bij het aanmaken van een agent. Een analyse-agent kan zo webzoekopdrachten en diepgaand redeneren combineren:
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"},
)
Houd echter rekening met de kosten: reflectie en tool-aanroepen tellen samen op in de rekening voor een enkele beurt.
Vergelijking van de drie benaderingen
| Criterium | Chat Completions | Agents | Conversations |
|---|---|---|---|
| Waar redeneren instellen | reasoning_effort in het verzoek | completion_args in de agent | completion_args in start of append |
| Geschiedenis | Bij elke oproep opnieuw verzenden, inclusief reflectie | Gedragen door de conversatie | Bewaard op de server |
Ingebouwde tools (web_search…) | Nee | Ja | Ja |
| Typisch gebruik | Eenmalige oproepen, volledige controle | Gedeelde, herbruikbare configuratie | Uitwisselingen in meerdere beurten |
Best practices voor integratie
Stel het redeneerniveau in de agent in wanneer de taak uniform is, en per beurt wanneer deze varieert: een initiële analysebeurt op high, gevolgd door herformuleringsbeurten op low of none, afhankelijk van het model. Verifieer dat de waarde geschikt is voor het model van de agent: Small 4 accepteert high en none; Large 4 accepteert low, medium en high. Log tot slot het tokengebruik per beurt; dit is de enige manier om te weten of redeneren lonend is voor uw use case.
Belangrijkste punten
- Geef in de Agents- en Conversations-API’s
reasoning_effortdoor binnencompletion_args - Antwoorden komen binnen in
outputs; tekst bevindt zich in items van het typemessage.output, inclusief reflectie - De Conversations API bewaart de geschiedenis op de server: geen behoefte om deze bij elke beurt opnieuw te verzenden
- U kunt het niveau bij elke beurt wijzigen met
conversations.append - Een agent kan ingebouwde tools en redeneren combineren, tegen de kosten van cumulatiever gebruik