Przejdź do głównej treści
Polski— Wybierz język
Menu

Agenci kontra chatboty: kiedy potrzebujesz agenta?

Lekcja 2 z 18 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Chatbot nie zawsze wystarcza
  2. Chat Completions — model klasyczny
  3. Agents API — model autonomiczny
  4. Kiedy przejść na agentów?
  5. Spektrum złożoności
  6. Przykład porównawczy
  7. Koszt i opóźnienia
  8. Kluczowe wnioski

Chatbot nie zawsze wystarcza

Prawdopodobnie korzystałeś już z Mistral Chat Completions API, aby budować asystentów konwersacyjnych. W wielu przypadkach jest to więcej niż wystarczające. Pokusa przerzucenia wszystkiego na agentów tylko dlatego, że technologia jest nowsza, może być kosztowna zarówno pod względem opóźnień, jak i zużycia tokenów. Jednak niektóre zadania wymagają czegoś więcej niż zwykłej odpowiedzi tekstowej. Ta lekcja dostarczy Ci kryteriów decyzyjnych: jak rozpoznawać sytuacje, w których wywołanie chat.complete() załatwia sprawę, oraz te, które naprawdę uzasadniają przejście na Agents API.

Chat Completions — model klasyczny

Korzystając z chat.complete(), wysyłasz listę wiadomości i otrzymujesz odpowiedź. Mechanizm ten jest bezstanowy: model nie posiada pamięci między wywołaniami, a Ty musisz przy każdym żądaniu odtwarzać historię rozmowy.

from mistralai.client import Mistral

client = Mistral(api_key="your-key")

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "What is the capital of France?"}
    ]
)
print(response.choices[0].message.content)

Ten wzorzec pozostaje właściwym wyborem dla prostych pytań i odpowiedzi, ogólnego generowania tekstu (podsumowania, tłumaczenia, pisanie), klasyfikacji, ekstrakcji informacji oraz jednorazowego wywoływania funkcji. Zadania te mają wspólną cechę: są to transformacje tekst-na-tekst rozwiązywane w jednym przebiegu rozumowania, bez konieczności pobierania czegokolwiek z zewnątrz przez model.

Agents API — model autonomiczny

Korzystając z Agents API, tworzysz trwałego agenta wyposażonego w instrukcje, narzędzia i zachowanie zdefiniowane raz na zawsze. Agent utrzymuje swój stan w trakcie rozmów i może działać autonomicznie.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Research Assistant",
    instructions="You are a research assistant. Use web search to answer with sources.",
    tools=[{"type": "web_search"}]
)

Kiedy przejść na agentów?

Każdy z poniższych sygnałów uzasadnia taką zmianę. Najczęstszym jest potrzeba użycia narzędzi: gdy tylko Twój asystent musi przeszukiwać sieć, wykonywać kod lub odpytywać zbiór dokumentów, Chat Completions zmusza Cię do samodzielnego implementowania mechanizmu wykonania. Kolejnym czynnikiem jest trwałość stanu: jeśli chcesz, aby model pamiętał wcześniejsze wymiany bez konieczności ponownego wysyłania całego wątku z każdym żądaniem, agent obsługuje to natywnie. Liczba kroków ma równie duże znaczenie: odpowiedź wymagająca łańcucha rozumowania z działaniami pośrednimi implikuje pętlę, a Agents API implementuje dokładnie taką pętlę. Wiele specjalizacji również prowadzi w tym kierunku: agent finansowy delegujący zadanie do agenta wyszukiwania w sieci, a następnie do agenta obliczeniowego, podpada pod orkiestrację multi-agentową. Na koniec weź pod uwagę środowisko wykonawcze — w przypadku agentów narzędzia działają w chmurze Mistral, a nie na Twojej infrastrukturze.

Z drugiej strony, pozostań przy klasycznym chatbocie, jeśli zadanie jest prostą transformacją tekst-na-tekst, jeśli już zarządzasz historią po stronie klienta zgodnie z własnymi preferencjami, jeśli nie są wymagane wbudowane narzędzia i jeśli pojedynczy przebieg rozumowania wystarcza do uzyskania oczekiwanej odpowiedzi.

Spektrum złożoności

Warto postrzegać te wybory jako continuum, a nie alternatywę binarną. Na pierwszym poziomie mamy prosty czat: pytanie, odpowiedź, poprzez Chat Completions. Na drugim poziomie czat wyposażony w narzędzia: pytanie wyzwala wywołanie funkcji przed udzieleniem odpowiedzi, nadal przy użyciu Chat Completions i wywoływania funkcji. Na trzecim poziomie mamy pojedynczego agenta: żądanie prowadzi do planowania, następnie do wielu działań, a na końcu do odpowiedzi — to domena Agents API. Na czwartym poziomie mamy multi-agentów: agent router rozdziela żądanie do wyspecjalizowanych agentów, których wyniki są następnie syntetyzowane, co wymaga Agents API i przekazywania zadań (handoffs).

Wynikająca z tego spektrum zasada jest prosta: używaj najprostszego poziomu, który spełnia Twoje potrzeby. Nie wdrażaj systemu multi-agentowego do odpowiadania na często zadawane pytania (FAQ).

Przykład porównawczy

Różnica jest wyraźniejsza na konkretnym przykładzie. W przypadku Chat Completions zarządzasz wszystkim ręcznie, a model pozostaje ograniczony do wiedzy ze swojego treningu.

# You manage everything manually
messages = [{"role": "user", "content": "What is the weather in Paris?"}]
response = client.chat.complete(model="mistral-large-latest", messages=messages)
# The model CANNOT search the web—it hallucinates or says it doesn't know

Dzięki agentowi wyposażonemu w wyszukiwanie w sieci, to samo pytanie wyzwala rzeczywiste wyszukiwanie i odpowiedź opartą na źródłach, bez konieczności pisania choćby jednej linii kodu orkiestrującego.

# The agent has access to web search
agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Weather Agent",
    instructions="Answer weather questions using web search.",
    tools=[{"type": "web_search"}]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="What is the weather in Paris?"
)
# The agent automatically searches the web and cites its sources

Koszt i opóźnienia

Ta moc ma swoją cenę, którą musisz przewidzieć przed wdrożeniem produkcyjnym. Opóźnienia rosną, ponieważ agent może wykonywać wiele wewnętrznych tur — wyszukiwanie, następnie rozumowanie, potem tworzenie szkicu — podczas gdy Chat Completions wykonuje tylko jedną turę. Zużycie tokenów również rośnie, ponieważ instrukcje systemowe i kontekst rozmowy są wysyłane z powrotem do modelu przy każdej turze. Wreszcie, rozmowy są utrzymywane po stronie Mistral, co jest zachowaniem, które możesz wyłączyć za pomocą store=False, jeśli wymagają tego Twoje ograniczenia dotyczące prywatności.

Ten narzut jest w pełni uzasadniony, gdy zadanie tego wymaga. W przypadku prostego chatbota FAQ nie ma to sensu: pozostań przy Chat Completions.

Kluczowe wnioski

  • Chat Completions jest bezstanowy i wystarcza do prostych zadań
  • Agents API dodaje trwałość, wbudowane narzędzia i orkiestrację multi-agentową
  • Zawsze używaj najniższego poziomu złożoności, który spełnia Twoje potrzeby
  • Przejście na agentów jest uzasadnione, gdy potrzebujesz narzędzi, trwałości stanu lub architektury multi-agentowej