Tworzenie agenta za pomocą interfejsu API Python
Na tej stronie
Twój pierwszy agent Mistral
Poprzednie trzy lekcje wprowadziły słownictwo; ta pozwoli Ci przejść do praktyki. Stworzysz agenta za pomocą interfejsu API Python, stopniowo wzbogacając go o instrukcje, parametry generowania i narzędzia, a następnie uruchomisz z nim konwersację. Progresja jest celowo przyrostowa: każde dodanie modyfikuje obserwowalne zachowanie, pokazując, dlaczego ta sama metoda create() może wygenerować zarówno ogólnego asystenta, jak i eksperta o ściśle zdefiniowanym stylu.
Wymagania wstępne
Instalacja składa się z dwóch kroków. Najpierw oficjalny SDK.
pip install mistralai
Następnie udostępnij swój klucz API w środowisku, zamiast hardkodować go w kodzie. Przypadkowe zatwierdzenie klucza w repozytorium to pierwsze zdarzenie bezpieczeństwa w każdym projekcie LLM.
export MISTRAL_API_KEY="your-api-key"
Następnie budujesz klienta w jednej linii. Ten obiekt client służy jako punkt wejścia dla reszty lekcji.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Tworzenie minimalnego agenta
Metoda client.beta.agents.create() przyjmuje trzy wymagane parametry i kilka opcjonalnych. Zacznijmy od absolutnego minimum.
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="Simple Assistant",
description="A conversational agent with persistent state."
)
print(f"Agent created: {agent.id}")
Ten agent jest minimalistyczny: brak konkretnych instrukcji, narzędzi czy zabezpieczeń. Zachowuje się jak ulepszony punkt końcowy Chat Completions z trwałością stanu. Zwróć uwagę na identyfikator zwracany w agent.id: to właśnie go przechowujesz po stronie aplikacji, ponieważ jest jedynym stabilnym odniesieniem do tej konfiguracji.
Definiowanie zachowania za pomocą instrukcji
Instrukcje działają jak monit systemowy i są głównym mechanizmem sterowania zachowaniem. Poniższy przykład przekształca ogólnego asystenta w eksperta prawnego, którego zakres, format i limity są wyraźnie określone.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Legal Expert",
description="Agent specialized in French business law.",
instructions="""You are an expert in French business law.
Rules:
- Always respond in French
- Cite relevant legal articles
- Specify when a question requires a lawyer's opinion
- Structure your responses with headings and lists
- Never give definitive legal advice"""
)
Zauważ strukturę tego monitu: definicja roli na początku, po której następują ponumerowane zasady. Taka sekcjonalna organizacja pomaga modelowi priorytetyzować ograniczenia. Bądź konkretny co do roli, tonu i limitów, zamiast pisać „bądź pomocny“. Przede wszystkim przewiduj przypadki brzegowe – co agent powinien zrobić, jeśli pytanie wykracza poza jego domenę? Linijka o konieczności zasięgnięcia opinii prawnika rozwiązuje ten problem precyzyjnie. Traktuj instrukcje jak kod: będziesz je testować i poprawiać wielokrotnie, zanim zaczną generować oczekiwane zachowanie.
Kontrola generowania
Parametr completion_args konfiguruje sampler, czyli sposób, w jaki model dobiera słowa. Agent mający za zadanie przytaczać fakty nie potrzebuje takiej samej swobody jak agent burzy mózgów.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Precise Agent",
description="Agent with controlled generation parameters.",
instructions="Respond factually and concisely.",
completion_args={
"temperature": 0.2, # Less creativity, more precision
"top_p": 0.9, # Probability nucleus
"max_tokens": 2048 # Response length limit
}
)
temperature— Zakres od 0,0 (deterministyczne) do 1,0 (kreatywne). Do zadań faktograficznych preferuj 0,1–0,3.top_p— Filtrowanie skumulowanego prawdopodobieństwa. 0,9 to dobry domyślny wybór.max_tokens— Ścisły limit tokenów wyjściowych.
Wyposażenie agenta w narzędzia
Agent staje się naprawdę autonomiczny, gdy może działać poza tekstem. Poniższa konfiguracja daje mu dostęp do sieci i możliwość wykonywania kodu: w obliczu pytania porównującego dzisiejsze stawki, pobierze wartości i obliczy wynik bez Twojej interwencji.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Research Agent",
description="Agent with web search and code execution.",
instructions="Use web search for current information and code for calculations.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter"}
],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Dostępne narzędzia to: web_search, web_search_premium, code_interpreter, image_generation, document_library.
Zarządzanie cyklem życia agenta
Twoi agenci to trwałe zasoby po stronie Mistral i zarządzasz nimi jak każdym innym zasobem: znajdujesz ich, modyfikujesz, usuwasz. Listowanie jest szczególnie przydatne podczas rozwoju, gdy szybko gromadzisz dziesiątki agentów testowych, których identyfikatory giną.
# Wylistuj wszystkich swoich agentów
agents = client.beta.agents.list()
for a in agents.data:
print(f"{a.name} ({a.id})")
# Pobierz agenta po jego ID
agent = client.beta.agents.get(agent_id="ag-xxxxxxxx")
Aktualizacje są częściowe: modyfikowane są tylko dostarczone pola; pozostałe pozostają bez zmian. Pozwala to dopracowywać instrukcje w środowisku produkcyjnym bez ponownego deklarowania całej konfiguracji.
agent = client.beta.agents.update(
agent_id=agent.id,
instructions="New updated instructions.",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
Usunięcie jest jednak trwałe.
client.beta.agents.delete(agent_id=agent.id)
Pełny przykład
Połączmy wszystko w pełni funkcjonalnego agenta: tworzenie, konwersacja i odczyt odpowiedzi. Możesz użyć tego skryptu tak, jak jest; wystarczy zmienić nazwę i instrukcje, a w kilka minut będziesz mieć własnego analityka gotowego do pracy.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Utwórz agenta
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Tech Analyst",
description="Analyzes technology trends with web sources.",
instructions="""You are a technology analyst.
- Use web search for recent data
- Always cite your sources
- Structure your analyses into key points""",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3}
)
# Rozpocznij konwersację
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest advancements in agentic AI in 2026?"
)
# Wyświetl odpowiedź
for entry in response.outputs:
if hasattr(entry, "content"):
print(entry.content)
Ostatnia pętla zasługuje na chwilę uwagi: iteruje po response.outputs zamiast odczytywać pojedyncze pole, ponieważ agent wyposażony w narzędzia generuje wiele wpisów – najpierw wykonanie wyszukiwania, potem tekst. To kluczowy punkt, na który musisz zwrócić uwagę w następnej lekcji.
Kluczowe wnioski
client.beta.agents.create()tworzy agenta z modelem, nazwą i opisem (wymagane)- Instrukcje definiują zachowanie – to główny mechanizm sterowania
completion_argskontrolują generowanie (temperature, top_p, max_tokens)- Agent może mieć jednocześnie włączonych wiele narzędzi
- Agenci to konfigurable zasoby wielokrotnego użytku, a nie instancje konwersacji