Reasoning w agentach i konwersacjach
Na tej stronie
Lekcja przepisana 2 listopada 2026 r. dla modeli Mistral Small 4 i Large 4. Dokumentacja Mistral wskazuje, że parametr
reasoning_effortjest dostępny w punktach końcowych Agents i Conversations wewnątrz polacompletion_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
| Kryterium | Chat Completions | Agents | Conversations |
|---|---|---|---|
| Gdzie ustawić rozumowanie | reasoning_effort w żądaniu | completion_args w agencie | completion_args w start lub append |
| Historia | Wysyłana ponownie przy każdym wywołaniu, wraz z refleksją | Przenoszona przez konwersację | Przechowywana na serwerze |
Wbudowane narzędzia (web_search…) | Nie | Tak | Tak |
| Typowe zastosowanie | Wywołania jednorazowe, pełna kontrola | Współdzielona, wielokrotna konfiguracja | Wymiany 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_effortwewnątrzcompletion_args - Odpowiedzi przychodzą w
outputs; tekst znajduje się we wpisachmessage.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