Przejdź do głównej treści
Polski— Wybierz język
Menu

Tworzenie agenta za pomocą interfejsu API Python

Lekcja 4 z 18 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Twój pierwszy agent Mistral
  2. Wymagania wstępne
  3. Tworzenie minimalnego agenta
  4. Definiowanie zachowania za pomocą instrukcji
  5. Kontrola generowania
  6. Wyposażenie agenta w narzędzia
  7. Zarządzanie cyklem życia agenta
  8. Pełny przykład
  9. Kluczowe wnioski

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_args kontrolują generowanie (temperature, top_p, max_tokens)
  • Agent może mieć jednocześnie włączonych wiele narzędzi
  • Agenci to konfigurable zasoby wielokrotnego użytku, a nie instancje konwersacji