code_interpreter Tool: Python uitvoeren
Op deze pagina
Code uitvoeren in de Mistral Cloud
Met de tool code_interpreter kan uw agent Python-code schrijven en uitvoeren binnen een gesandboxde container. Dit is de ideale keuze voor berekeningen, data-analyse, het genereren van grafieken en codevalidatie. Het gaat hier niet alleen om gemak: een LLM die in zijn hoofd “rekent”, produceert een plausibel resultaat, geen correct resultaat. Door de bewerking over te dragen aan een echte interpreter, vervangt u token-voorspelling door verifieerbare uitvoering, wat u code oplevert die u kunt controleren.
Een agent maken met Code Interpreter
De instructies voor deze agent vereisen dat de code wordt getoond voordat deze wordt uitgevoerd, zodat u controle heeft over wat er daadwerkelijk draait.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="Code Agent",
instructions="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
tools=[{"type": "code_interpreter"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Een uitvoering activeren
Een eenvoudig verzoek tot berekening volstaat om de tool te activeren; er is geen speciale instructie van uw kant nodig.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Calculate the first 20 Fibonacci numbers."
)
De agent schrijft vervolgens een Python-script om de reeks te berekenen, voert dit uit in de sandbox en presenteert de resultaten samen met uitleg. De twintig waarden die u ontvangt, komen voort uit daadwerkelijke uitvoering: ze zijn exact, zelfs voorbij het punt waar een model doorgaans fouten begint te maken.
Responsstructuur
U kunt dit mechanisme direct aflezen in de geretourneerde items; uw code moet onderscheid maken tussen tekst en uitvoeringsresultaten.
for entry in response.outputs:
if entry.type == "message.output":
# First response: "I will calculate..." or final result
print(f"Message: {entry.content}")
elif entry.type == "tool.execution":
# Executed code and result
print(f"Code: {entry.info.code}")
print(f"Output: {entry.info.code_output}")
De agent begint met een message.output waarin wordt aangekondigd wat er gaat gebeuren. Daarna volgt de tool.execution waarin de code draait: info.code bevat het script en info.code_output bevat de uitvoer. Een tweede message.output sluit de reeks af, waarin de agent de resultaten interpreteert en uitlegt. Deze twee velden, info.code en info.code_output, vormen uw audittrail; bewaar ze in uw applicatielogs, zodat u elk door de agent geproduceerd cijfer kunt reproduceren en betwisten.
Wat de tool in de praktijk verandert
Data-analyse is de meest voor de hand liggende use case. Lever een reeks waarden aan en vraag om statistieken: het gemiddelde, de mediaan en de standaardafwijking worden berekend, niet geschat.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Here are the monthly sales (in K€):
Jan: 120, Feb: 135, Mar: 142, Apr: 128, May: 155, Jun: 168
Calculate the mean, median, standard deviation, and trend."""
)
Het genereren van grafieken sluit hier naadloos op aan, aangezien de omgeving plotting-bibliotheken bevat.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Create a bar chart of cloud market shares in Europe: AWS 31%, Azure 25%, GCP 11%, OVH 8%, Others 25%"
)
De agent gebruikt matplotlib om de grafiek te genereren. Het resultaat is een afbeeldingsbestand dat toegankelijk is in de respons; zorg er dus voor dat uw leescode dit geval afhandelt, anders toont u alleen de begeleidende tekstcommentaar.
Codevalidatie is een derde use case, minder voor de hand liggend maar waardevol. Dien een functie in samen met de te dekken testcases: de agent redeneert niet alleen over de code, maar voert deze ook uit. In het onderstaande voorbeeld onthult de input "Madam" een fout die bij een simpele code-review waarschijnlijk over het hoofd zou worden gezien.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="""Check if this function is correct:
def is_palindrome(s):
return s == s[::-1]
Test it with: "radar", "hello", "kayak", "Madam"
"""
)
Toegepaste wiskunde rondt de lijst af: het oplossen van stelsels vergelijkingen, lineaire algebra, optimalisatie. Ook hier berust de respons op een solver, niet op intuïtie.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)
Combineren met andere tools
Een agent kan meerdere tools tegelijkertijd ingeschakeld hebben; hier zit vaak de echte meerwaarde: search haalt verse data op die code vervolgens omzet in analyse.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Complete Analyst",
description="Search + Calculation",
instructions="Search for recent data then analyze it with code.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter"}
]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Find the current price of Bitcoin and calculate its percentage change over the last 30 days."
)
De agent kiest automatisch welke tool hij in elke stap gebruikt. Bij dit verzoek koppelt hij de twee: u kunt geen verandering berekenen zonder eerst de waarden op te halen, en u kunt die waarden niet ophalen zonder webtoegang.
Beperkingen van de sandbox
Deze geïsoleerde omgeving legt beperkingen op die u moet kennen voordat u uw applicatie ontwerpt. Bibliotheken zijn beperkt: standaard Python-pakketten zijn beschikbaar—numpy, pandas, matplotlib, onder andere—maar niet alle third-party pakketten, wat uw interne afhankelijkheden uitsluit. De code heeft geen netwerktoegang, dus data moet via context of een andere tool bij de code komen, nooit via een HTTP-call die in het script is geschreven. De uitvoeringstijd is begrensd, dus langlopende processen worden onderbroken: splits grote volumes op in plaats van te hopen op één enkele run. Tot slot is er geen persistentie tussen calls; een bestand dat tijdens één uitvoering is gemaakt, wordt bij de volgende niet gevonden.
Belangrijkste punten
code_interpretervoert Python uit in een beveiligde sandbox aan de kant van Mistral- De respons bevat de uitgevoerde code (
info.code) en de uitvoer (info.code_output) - Ideaal voor berekeningen, data-analyse en het genereren van grafieken
- Kan worden gecombineerd met andere tools (web_search, enz.)
- De sandbox heeft beperkingen: geen netwerktoegang, beperkte bibliotheken, geen persistentie