Przejdź do głównej treści
Polski— Wybierz język
Menu

Przykład praktyczny: Śledzenie płatności

Lekcja 12 z 14 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Kompleksowy projekt end-to-end
  2. Dane
  3. Funkcje biznesowe
  4. Specyfikacje JSON
  5. Słownik dyspozytora
  6. Pętla konwersacyjna
  7. Co ujawnia konwersacja
  8. Kluczowe wnioski

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.partial wiąże DataFrame z funkcjami, zapewniając czysty mechanizm dyspozytorski
  • Pętla while message.tool_calls automatycznie obsługuje wywołania sekwencyjne i równoległe
  • Wiadomość systemowa prowadzi model w zakresie tonu, języka i formatowania
  • Testuj konwersacje wieloetapowe, aby zweryfikować, czy model utrzymuje kontekst