Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Een agent maken met de Python API

Les 4 van 18 Bijgewerkt op 3 november 2026 Ontwikkelaar
Op deze pagina
  1. Uw eerste Mistral-agent
  2. Vereisten
  3. Een minimale agent maken
  4. Gedrag definiëren met instructies
  5. Generatie sturen
  6. De agent uitrusten met tools
  7. De levenscyclus van de agent beheren
  8. Volledig voorbeeld
  9. Belangrijkste punten

Uw eerste Mistral-agent

De vorige drie lessen hebben de basisbegrippen uitgelegd; in deze les gaat u zelf aan de slag. U maakt een agent via de Python API en verrijkt deze stap voor stap met instructies, generatieparameters en tools, waarna u een gesprek met de agent start. De opbouw is bewust geleidelijk: elke toevoeging wijzigt waarneembaar gedrag, zodat u begrijpt waarom dezelfde create()-methode zowel een algemene assistent als een gespecialiseerde expert met een strikte stijl kan opleveren.

Vereisten

De installatie bestaat uit twee stappen. Installeer eerst de officiële SDK.

pip install mistralai

Zorg er vervolgens voor dat uw API-sleutel beschikbaar is via de omgeving en hardcode deze niet in uw code. Het per ongeluk committen van een sleutel naar een repository is voor elk LLM-project vaak het eerste beveiligingsincident.

export MISTRAL_API_KEY="your-api-key"

Vervolgens bouwt u de client in één regel. Dit client-object fungeert als toegangspunt voor de rest van de les.

from mistralai.client import Mistral
import os

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

Een minimale agent maken

De methode client.beta.agents.create() vereist drie parameters en accepteert meerdere optionele parameters. Laten we beginnen met het absolute minimum.

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}")

Deze agent is minimalistisch: geen specifieke instructies, geen tools, geen bewaking. Hij gedraagt zich als een verbeterd Chat Completions-eindpunt met persistentie. Let op de identifier die wordt teruggegeven in agent.id: dit is wat u aan de toepassingskant opslaat, omdat dit de enige stabiele referentie naar deze configuratie is.

Gedrag definiëren met instructies

Instructies fungeren als de systeemprompt en zijn de belangrijkste hefboom om gedrag te sturen. Het onderstaande voorbeeld transformeert een algemene assistent in een juridisch expert waarvan het domein, het formaat en de grenzen expliciet zijn afgebakend.

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"""
)

Let op de structuur van deze prompt: eerst een roldefinitie, gevolgd door genummerde regels. Deze sectionele indeling helpt het model om beperkingen te prioriteren. Wees specifiek over rol, toon en grenzen in plaats van vaag te blijven met “wees behulpzaam”. Anticipeer vooral op randgevallen: wat moet de agent doen als de vraag buiten zijn domein valt? De regel over het raadplegen van een advocaat pakt dit precies op. Behandel instructies ten slotte als code: u test en herziet ze meerdere keren voordat ze het verwachte gedrag produceren.

Generatie sturen

Met completion_args configureert u de sampler, oftewel hoe het model zijn woorden kiest. Een agent die feiten moet samenvatten heeft niet dezelfde vrijheid nodig als een agent die brainstormt.

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 — Variëert van 0,0 (deterministisch) tot 1,0 (creatief). Voor feitelijke taken kiest u bij voorkeur 0,1–0,3.
  • top_p — Filteren op cumulatieve waarschijnlijkheid. 0,9 is een goed standaardwaarde.
  • max_tokens — Strikte limiet voor het aantal uitvoertokens.

De agent uitrusten met tools

Een agent wordt pas echt autonoom wanneer hij verder kan gaan dan tekst. De volgende configuratie geeft hem zowel webtoegang als code-uitvoering: bij een vraag die huidige tarieven vergelijkt, haalt hij de waarden op en berekent hij het resultaat zonder uw tussenkomst.

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}
)

Beschikbare tools zijn: web_search, web_search_premium, code_interpreter, image_generation, document_library.

De levenscyclus van de agent beheren

Uw agents zijn persistente resources aan de kant van Mistral en u beheert ze zoals elke andere resource: zoeken, wijzigen, verwijderen. Lijsten is vooral handig tijdens ontwikkeling, waarbij u snel tientallen test-agents krijgt waarvan u de ID’s kwijtraakt.

# 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")

Updates zijn gedeeltelijk: alleen de opgegeven velden worden gewijzigd; de andere blijven zoals ze zijn. Hiermee kunt u instructies in productie verfijnen zonder de volledige configuratie opnieuw te declareren.

agent = client.beta.agents.update(
    agent_id=agent.id,
    instructions="New updated instructions.",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

Verwijderen is daarentegen definitief.

client.beta.agents.delete(agent_id=agent.id)

Volledig voorbeeld

Laten we alles samenvoegen tot een volledig functionele agent: creatie, gesprek en het uitlezen van het antwoord. U kunt dit script direct gebruiken; verander alleen de naam en de instructies, en binnen enkele minuten heeft u uw eigen operationele analist.

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)

De laatste lus verdient extra aandacht: deze iteratie loopt over response.outputs in plaats van één veld uit te lezen, omdat een agent met tools meerdere items produceert—eerst de zoekuitvoering, daarna de tekst. Dit is het belangrijkste punt om in de volgende les op te letten.

Belangrijkste punten

  • client.beta.agents.create() maakt een agent met model, naam en beschrijving (verplicht)
  • Instructies definiëren het gedrag—dit is de belangrijkste hefboom
  • completion_args sturen de generatie (temperature, top_p, max_tokens)
  • Een agent kan meerdere tools tegelijk actief hebben
  • Agents zijn herbruikbare configuraties, geen conversatie-instanties