Przykład praktyczny: Śledzenie płatności
Na tej stronie
Kompleksowy projekt end-to-end
Poprzednie lekcje izolowały poszczególne mechanizmy: definicje narzędzi, cykl wywołań, obsługę błędów i bezpieczeństwo. Teraz czas połączyć je w całość. Zbudujesz kompletny konwersacyjny system śledzenia płatności, w którym użytkownicy zadają pytania w języku naturalnym, a system odpytuje DataFrame biblioteki Pandas poprzez wywoływanie funkcji. Ten przypadek użycia pochodzi bezpośrednio z oficjalnej dokumentacji Mistral. Mieści się w około stu liniach kodu, eksponując jednocześnie pięć filarów rzeczywistej aplikacji: dane, funkcje biznesowe, specyfikacje JSON, dyspozytor oraz pętlę konwersacyjną.
Dane
DataFrame zawierający pięć transakcji pokrywa kluczowe scenariusze: klient z wieloma płatnościami, płatność oczekująca oraz płatność nieudana.
import pandas as pd
import json
import os
from mistralai.client import Mistral
from functools import partial
# Transactions DataFrame
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)
Funkcje biznesowe
Cztery funkcje pokrywają typowe potrzeby związane ze śledzeniem płatności. Pierwsze trzy operują na pojedynczej transakcji i różnią się ziarnistością: tylko status, tylko data lub pełne szczegóły. Ta pozorna redundancja jest celowa – pozwala modelowi żądać wyłącznie tego, czego potrzebuje, redukując ilość niepotrzebnych danych w kontekście. Czwarta funkcja zmienia perspektywę i operuje na poziomie klienta.
Zwróć uwagę na wspólny kontrakt: wszystkie zwracają ciąg JSON, nawet w przypadku błędu, i wszystkie obsługują brakujące identyfikatory, zamiast pozwalać bibliotece Pandas zgłaszać wyjątek przy pustym indeksie.
def retrieve_payment_status(df: pd.DataFrame, transaction_id: str) -> str:
"""Retrieves the status of a payment."""
if transaction_id in df["transaction_id"].values:
row = df[df["transaction_id"] == transaction_id].iloc[0]
return json.dumps({
"transaction_id": transaction_id,
"status": row["payment_status"]
})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
def retrieve_payment_date(df: pd.DataFrame, transaction_id: str) -> str:
"""Retrieves the date of a payment."""
if transaction_id in df["transaction_id"].values:
row = df[df["transaction_id"] == transaction_id].iloc[0]
return json.dumps({
"transaction_id": transaction_id,
"date": row["payment_date"]
})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
def retrieve_payment_details(df: pd.DataFrame, transaction_id: str) -> str:
"""Retrieves all details of a payment."""
if transaction_id in df["transaction_id"].values:
row = df[df["transaction_id"] == transaction_id].iloc[0]
return json.dumps({
"transaction_id": transaction_id,
"customer_id": row["customer_id"],
"amount": float(row["payment_amount"]),
"date": row["payment_date"],
"status": row["payment_status"]
})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
def list_customer_transactions(df: pd.DataFrame, customer_id: str) -> str:
"""Lists all transactions for a given customer."""
customer_df = df[df["customer_id"] == customer_id]
if customer_df.empty:
return json.dumps({"error": f"Customer {customer_id} not found"})
transactions = []
for _, row in customer_df.iterrows():
transactions.append({
"transaction_id": row["transaction_id"],
"amount": float(row["payment_amount"]),
"date": row["payment_date"],
"status": row["payment_status"]
})
return json.dumps({"customer_id": customer_id, "transactions": transactions})
Konwersja float(row["payment_amount"]) zasługuje na drugie spojrzenie: bez niej json.dumps zakończy się niepowodzeniem dla typów NumPy. To rodzaj szczegółu, który wychwytywujesz dopiero podczas działania programu.
Specyfikacje JSON
Model nie widzi żadnego z powyższego kodu. Zna jedynie te opisy. Jawne wymienienie możliwych statusów w retrieve_payment_status i przypomnienie modelowi formatu T1001 w każdym opisie parametru umożliwia mu wybór właściwej funkcji i poprawne wyodrębnienie identyfikatora.
tools = [
{
"type": "function",
"function": {
"name": "retrieve_payment_status",
"description": "Retrieves the status of a payment (paid, pending, failed)",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "retrieve_payment_date",
"description": "Retrieves the date of a payment",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "retrieve_payment_details",
"description": "Retrieves all details of a payment: amount, date, status, customer",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "list_customer_transactions",
"description": "Lists all transactions for a given customer",
"parameters": {
"type": "object",
"properties": {
"customer_id": {
"type": "string",
"description": "Customer identifier (e.g., C001)"
}
},
"required": ["customer_id"]
}
}
}
]
Słownik dyspozytora
Oto haczyk: Twoje funkcje oczekują df jako pierwszego argumentu, ale model nigdy go nie dostarczy – nie wie, że istnieje, i to jest w porządku. functools.partial rozwiązuje to elegancko, wiążąc DataFrame z góry, dzięki czemu każdy wpis w słowniku staje się wywoływalny wyłącznie z argumentami dostarczonymi przez model.
available_functions = {
"retrieve_payment_status": partial(retrieve_payment_status, df),
"retrieve_payment_date": partial(retrieve_payment_date, df),
"retrieve_payment_details": partial(retrieve_payment_details, df),
"list_customer_transactions": partial(list_customer_transactions, df),
}
Pętla konwersacyjna
Wiadomość systemowa ustawia rolę, język i oczekiwane formatowanie kwot. Funkcja chat koordynuje resztę, a jej struktura zasługuje na szczególną uwagę: pętla while message.tool_calls obsługuje pojedyncze wywołanie, wiele równoległych wywołań lub łańcuch, w którym model żąda kolejnej funkcji po zobaczeniu pierwszego wyniku. Pętla wewnętrzna wykonuje wszystkie wywołania dla bieżącego kroku; pętla zewnętrzna ponownie wywołuje model tak długo, jak długo kontynuuje on żądania narzędzi.
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
model = "mistral-large-latest"
messages = [
{
"role": "system",
"content": "You are a payment tracking assistant. "
"Respond in English. Use the available tools "
"to answer questions about transactions. "
"Format amounts in euros with 2 decimal places."
}
]
def chat(user_input: str) -> str:
"""Complete conversation turn with tool_calls handling."""
messages.append({"role": "user", "content": user_input})
response = client.chat.complete(
model=model, messages=messages, tools=tools
)
message = response.choices[0].message
# Loop while the model wants to call functions
while message.tool_calls:
messages.append(message)
for tool_call in message.tool_calls:
fn_name = tool_call.function.name
fn_params = json.loads(tool_call.function.arguments)
if fn_name in available_functions:
result = available_functions[fn_name](**fn_params)
else:
result = json.dumps({"error": f"Unknown function {fn_name}"})
messages.append({
"role": "tool",
"name": fn_name,
"content": result,
"tool_call_id": tool_call.id
})
response = client.chat.complete(
model=model, messages=messages, tools=tools
)
message = response.choices[0].message
messages.append(message)
return message.content
Co ujawnia konwersacja
Przetestuj to w czterech kolejnych krokach. Drugi jest najbardziej pouczający: „ta transakcja“ nie zawiera identyfikatora, a jednak model wywołuje retrieve_payment_details z T1001. Rozwiązał on anaforę, korzystając z historii zachowanej w messages, co byłoby niemożliwe, gdybyś resetował listę przy każdym wywołaniu. Czwarty krok pokazuje drugą stronę medalu: żadna funkcja nie szuka nieudanych płatności, ale model odpytuje odpowiedniego klienta i sam filtruje wynik.
# Turn 1
print(chat("What is the status of payment T1001?"))
# -> "Payment T1001 has status: paid."
# Turn 2
print(chat("Give me all the details for this transaction."))
# -> "Here are the details for payment T1001:
# - Customer: C001
# - Amount: 125.50 euros
# - Date: March 15, 2026
# - Status: paid"
# Turn 3
print(chat("What are all the transactions for customer C002?"))
# -> "Customer C002 has 2 transactions:
# - T1002: 89.99 euros (paid, March 16, 2026)
# - T1004: 45.00 euros (paid, March 17, 2026)"
# Turn 4
print(chat("Are there any failed payments?"))
# -> "Yes, payment T1005 for customer C001 (210.75 euros) failed."
Formatowanie kwot z kropką dziesiętną i dat zapisanych słownie nie wynika z żadnej linii kodu: wynika z monitu systemowego. To najważniejszy wniosek z tego rozdziału – połowa postrzeganej jakości dzieje się w opisach i wiadomości systemowej, a nie w mechanice wywołań.
Kluczowe wnioski
- Kompletny system śledzenia płatności wymaga 4 funkcji pokrywających główne przypadki użycia
functools.partialwiąże DataFrame z funkcjami, zapewniając czysty mechanizm dyspozytorski- Pętla
while message.tool_callsautomatycznie obsługuje wywołania sekwencyjne i równoległe - Wiadomość systemowa prowadzi model w zakresie tonu, języka i formatowania
- Testuj konwersacje wieloetapowe, aby zweryfikować, czy model utrzymuje kontekst