Przejdź do głównej treści
Polski— Wybierz język
Menu

Reasoning w agentach i konwersacjach

Lekcja 4 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Trzy sposoby wywołania modelu rozumującego
  2. Agent, który rozumuje
  3. Odczytywanie wyników konwersacji
  4. Konwersacja bez agenta
  5. Rozumowanie i narzędzia
  6. Porównanie trzech podejść
  7. Najlepsze praktyki integracji
  8. Kluczowe wnioski

Lekcja przepisana 2 listopada 2026 r. dla modeli Mistral Small 4 i Large 4. Dokumentacja Mistral wskazuje, że parametr reasoning_effort jest dostępny w punktach końcowych Agents i Conversations wewnątrz pola completion_args. Źródła: Reasoning · Python SDK — Conversations.

Trzy sposoby wywołania modelu rozumującego

Poprzednie lekcje korzystały z API Chat Completions: wysyłałeś pełną historię przy każdym wywołaniu, a parametr reasoning_effort umieszczałeś bezpośrednio w żądaniu. Mistral oferuje dwa inne interfejsy: Agents API, który zapisuje konfigurację wielokrotnego użytku (model, instrukcje, narzędzia, parametry), oraz Conversations API, który przechowuje historię po stronie serwera. W tych dwóch API nie ustawiasz poziomu rozumowania na najwyższym poziomie; zagnieżdżasz go wewnątrz completion_args obok innych parametrów generowania.

Agent, który rozumuje

Ustawienie poziomu rozumowania w definicji agenta pozwala uniknąć jego powtarzania przy każdym wywołaniu i zapewnia, że cały zespół korzysta z tych samych ustawień:

import os
from mistralai.client import Mistral

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

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

Odczytywanie wyników konwersacji

Konwersacja nie zwraca choices; zwraca listę wpisów (outputs). Odpowiedź modelu znajduje się we wpisach typu message.output. Podobnie jak w Chat Completions, treść jest albo ciągiem znaków, albo listą fragmentów, które mogą zawierać ThinkChunk. Funkcja separer z Lekcji 3 działa dokładnie tak samo:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Inne wpisy opisują zdarzenia podczas tury, takie jak wykonanie narzędzia (tool.execution) lub wywołanie funkcji. Możesz je zignorować, jeśli zależy Ci tylko na ostatecznej odpowiedzi.

Konwersacja bez agenta

W przypadku zadań jednorazowych API Conversations akceptuje model bezpośrednio, bez wcześniejszej konfiguracji agenta. Serwer przechowuje historię, a Ty kontynuujesz wymianę za pomocą conversations.append, dostosowując w razie potrzeby poziom rozumowania dla konkretnej tury:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Jest to konkretna przewaga nad Chat Completions, gdzie dokumentacja wymaga ponownego przesłania pełnej wiadomości asystenta, wraz z refleksją, przy każdej nowej turze (Lekcja 7). Dzięki API Conversations serwer przechowuje historię; nie musisz jej resendować przy każdym wywołaniu.

Rozumowanie i narzędzia

Agent może łączyć rozumowanie z narzędziami: pola tools i completion_args są niezależne podczas tworzenia agenta. Agent analityczny może więc posiadać wyszukiwanie w sieci i głębokie rozumowanie:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Miej jednak oko na koszty: refleksja i wywołania narzędzi sumują się na rachunku za jedną turę.

Porównanie trzech podejść

KryteriumChat CompletionsAgentsConversations
Gdzie ustawić rozumowaniereasoning_effort w żądaniucompletion_args w agenciecompletion_args w start lub append
HistoriaWysyłana ponownie przy każdym wywołaniu, wraz z refleksjąPrzenoszona przez konwersacjęPrzechowywana na serwerze
Wbudowane narzędzia (web_search…)NieTakTak
Typowe zastosowanieWywołania jednorazowe, pełna kontrolaWspółdzielona, wielokrotna konfiguracjaWymiany wieloturowe

Najlepsze praktyki integracji

Ustaw poziom rozumowania w agencie, gdy zadanie jest jednolite, oraz na każdą turę, gdy się zmienia: początkowa tura analityczna na high, a następnie tury reformułujące na low lub none, w zależności od modelu. Upewnij się, że wartość odpowiada modelowi agenta: Small 4 akceptuje high i none; Large 4 akceptuje low, medium i high. Na koniec loguj zużycie tokenów na turę; to jedyny sposób, by wiedzieć, czy rozumowanie opłaca się w Twoim przypadku użycia.

Kluczowe wnioski

  • W API Agents i Conversations przekaż reasoning_effort wewnątrz completion_args
  • Odpowiedzi przychodzą w outputs; tekst znajduje się we wpisach message.output, wraz z refleksją
  • API Conversations przechowuje historię na serwerze: nie trzeba jej wysyłać ponownie w każdej turze
  • Możesz zmieniać poziom w każdej turze za pomocą conversations.append
  • Agent może łączyć wbudowane narzędzia i rozumowanie, kosztem skumulowanego zużycia