Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Uw eerste API-aanroep in Python

Les 5 van 14 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Uw eerste uitwisseling met een Mistral-model
  2. De client initialiseren
  3. Een verzoek versturen met chat.complete()
  4. Het geretourneerde object lezen
  5. Modelgedrag aanpassen
  6. Een productieklare aanroep
  7. Belangrijkste punten

Uw eerste uitwisseling met een Mistral-model

De SDK is geïnstalleerd en uw API-sleutel is klaar: het is tijd om een echt verzoek te versturen en, nog belangrijker, te begrijpen wat er terugkomt. Veel ontwikkelaars stoppen bij de eerste regel van het antwoord en negeren de rest van het geretourneerde object. Dat is een fout, omdat kostenbewaking en diagnostiek voor afgekapte antwoorden precies in die overige gegevens zitten. We beginnen met minimale code en werken toe naar de volledige structuur.

De client initialiseren

De client is het toegangspunt voor al uw interacties met de API:

import os
from mistralai.client import Mistral

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

Deze verzorgt HTTP-verbindingen, probeert opnieuw bij netwerkfouten en serialiseert verzoeken. Instantieer deze één keer bij het opstarten van de applicatie. Het voor elke aanroep opnieuw maken van een client dwingt u om onnodig te betalen voor het opzetten van verbindingen en is een van de meest subtiele oorzaken van buitensporige latentie.

Een verzoek versturen met chat.complete()

U zult de methode chat.complete() het vaakst gebruiken. Deze verzendt uw berichten en wacht op het volledige antwoord van het model voordat de controle wordt teruggegeven:

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "user",
            "content": "Leg het concept van tokenisatie uit in drie zinnen."
        }
    ]
)

print(response.choices[0].message.content)

Twee parameters volstaan hier. model specificeert de model-ID: mistral-small-latest wijst altijd naar de nieuwste versie van Mistral Small, waardoor dit de logische keuze is om mee te beginnen, omdat het snel en zuinig is. messages verwacht een lijst met gestructureerde berichten, elk met een role—system, user of assistant—en een content-veld dat de tekst bevat. Deze structuur lijkt misschien zwaar voor een enkele vraag, maar krijgt volledige zin zodra u bij de les over gesprekken met meerdere beurten komt.

Het geretourneerde object lezen

Het response-object bevat veel meer dan alleen de gegenereerde tekst:

# Antwoordtekst
text = response.choices[0].message.content

# Rol (altijd "assistant" voor een antwoord)
role = response.choices[0].message.role

# Reden voor stoppen
finish = response.choices[0].finish_reason  # "stop", "length", etc.

# Token-statistieken
input_tokens = response.usage.prompt_tokens
output_tokens = response.usage.completion_tokens
total_tokens = response.usage.total_tokens

print(f"Antwoord ({output_tokens} tokens): {text}")
print(f"Totaal verbruikte tokens: {total_tokens}")

Besteed vanaf dag één veel aandacht aan het veld usage. Door dit bij elke aanroep te loggen, weet u precies welke functie van uw applicatie uw budget opsoupeert, zonder dat u aan het einde van de maand uw factuur hoeft te reverse-engineeren.

Wat finish_reason betreft: dit geeft aan waarom het model stopte en heeft een van de volgende waarden:

  • stop: het model heeft zijn antwoord op natuurlijke wijze voltooid
  • length: het antwoord werd afgekap omdat max_tokens werd bereikt
  • model_length: de totale context (invoer + uitvoer) bereikte de limiet van het model

Een antwoord dat halverwege een zin eindigt, is geen bug in het model: het is een finish_reason van length die niemand heeft gecontroleerd. Verifieer dit altijd voordat u concludeert dat er een kwaliteitsprobleem is.

Modelgedrag aanpassen

Drie extra parameters stellen u in staat de generatie te sturen:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": "Stel drie namen voor voor een educatieve AI-startup."
        }
    ],
    temperature=0.7,
    max_tokens=500,
    top_p=0.95,
)

Temperatuur regelt de mate van vrijheid van het model. Bij 0.0 zijn antwoorden deterministisch: dezelfde prompt levert altijd dezelfde tekst op, wat u wilt bij extractie of classificatie. Tussen 0.3 en 0.5 krijgt u een goede balans voor feitelijke taken. Tussen 0.7 en 1.0 worden antwoorden creatiever en gevarieerder—dit is het bereik dat in het bovenstaande voorbeeld wordt gebruikt, omdat we om naamideeën vragen en het zinloos zou zijn om drie keer hetzelfde idee te zien. Boven 1.0 wordt de generatie zeer willekeurig en heeft deze zelden praktisch nut.

max_tokens beperkt de lengte van het antwoord, wat helpt om kosten te beheersen en uitvoeren hanteerbaar te houden. Denk eraan dat als het model wordt afgekap, finish_reason gelijk zal zijn aan "length". top_p beïnvloedt de diversiteit via een ander mechanisme: het filtert de minst waarschijnlijke tokens eruit. Een waarde van 0.95 betekent dat het model alleen tokens in overweging neemt die samen 95% van de cumulatieve waarschijnlijkheid vertegenwoordigen.

Een productieklare aanroep

Onder reële omstandigheden valt het netwerk uit, verlopen sleutels en raken quota’s vol. Omkleed uw aanroepen altijd met foutafhandeling:

import os
from mistralai.client import Mistral

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

try:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[
            {"role": "user", "content": "Wat is de hoofdstad van Frankrijk?"}
        ],
        max_tokens=100,
    )

    text = response.choices[0].message.content
    print(f"Antwoord: {text}")
    print(f"Gebruikte tokens: {response.usage.total_tokens}")

except Exception as e:
    print(f"Fout bij API-aanroep: {e}")

Gebruik dit skelet voor uw eigen experimenten door simpelweg de inhoud van het bericht te vervangen. Het is het startpunt voor alles wat volgt in deze cursus.

Belangrijkste punten

  • client.chat.complete() is de primaire methode voor interactie met modellen
  • De antwoordtekst staat in response.choices[0].message.content
  • response.usage vertelt u hoeveel tokens zijn verbruikt (nuttig voor kostenbewaking)
  • temperature regelt de creativiteit; max_tokens beperkt de lengte
  • Begin met mistral-small-latest: het is snel, zuinig en presteert goed