Przejdź do głównej treści
Polski— Wybierz język
Menu

Narzędzie code_interpreter: Uruchamianie kodu Python

Lekcja 9 z 18 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Uruchamianie kodu w chmurze Mistral
  2. Tworzenie agenta z interpreterem kodu
  3. Wyzwalanie wykonania
  4. Struktura odpowiedzi
  5. Co narzędzie zmienia w praktyce
  6. Łączenie z innymi narzędziami
  7. Ograniczenia piaskownicy
  8. Kluczowe wnioski

Uruchamianie kodu w chmurze Mistral

Narzędzie code_interpreter pozwala Twojemu agentowi pisać i wykonywać kod Python w izolowanym kontenerze (piaskownicy). Jest to idealny wybór do obliczeń, analizy danych, generowania wykresów i walidacji kodu. Nie chodzi tu tylko o wygodę: LLM, który „liczy w głowie“, zwraca wynik prawdopodobny, a nie poprawny. Przenosząc operację na rzeczywisty interpreter, zastępujesz predykcję tokenów weryfikowalnym wykonaniem, co daje Ci kod możliwy do przeglądu.

Tworzenie agenta z interpreterem kodu

Instrukcje dla tego agenta wymagają wyświetlenia kodu przed jego wykonaniem, co daje Ci punkt kontrolny nad tym, co faktycznie zostanie uruchomione.

from mistralai.client import Mistral
import os

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

agent = client.beta.agents.create(
    model="mistral-medium-latest",
    name="Code Agent",
    instructions="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
    tools=[{"type": "code_interpreter"}],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Wyzwalanie wykonania

Proste żądanie obliczeniowe wystarczy, aby uruchomić narzędzie; nie potrzebujesz żadnych specjalnych instrukcji.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Calculate the first 20 Fibonacci numbers."
)

Agent pisze następnie skrypt Pythona do obliczenia ciągu, uruchamia go w piaskownicy i prezentuje wyniki wraz z wyjaśnieniami. Dwadzieścia wartości, które otrzymujesz, pochodzi z rzeczywistego wykonania: będą one dokładne nawet poza punktem, w którym model zazwyczaj zaczyna popełniać błędy.

Struktura odpowiedzi

Mechanizm ten możesz odczytać bezpośrednio w zwróconych wpisach, a Twój kod musi rozróżniać tekst od wyników wykonania.

for entry in response.outputs:
    if entry.type == "message.output":
        # First response: "I will calculate..." or final result
        print(f"Message: {entry.content}")

    elif entry.type == "tool.execution":
        # Executed code and result
        print(f"Code: {entry.info.code}")
        print(f"Output: {entry.info.code_output}")

Agent zaczyna od message.output, ogłaszając, co zamierza zrobić. Następnie następuje tool.execution, gdzie kod jest uruchamiany: info.code zawiera skrypt, a info.code_output jego wynik. Drugi wpis message.output zamyka sekwencję – w nim agent interpretuje i wyjaśnia wyniki. Te dwa pola, info.code i info.code_output, stanowią Twój ślad audytowy – przechowuj je w logach aplikacji, ponieważ pozwalają one odtworzyć i zakwestionować dowolną liczbę wygenerowaną przez agenta.

Co narzędzie zmienia w praktyce

Analiza danych to najbardziej oczywiste zastosowanie. Podaj szereg wartości i poproś o statystyki: średnia, mediana i odchylenie standardowe zostaną obliczone, a nie oszacowane.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="""Here are the monthly sales (in K€): 
    Jan: 120, Feb: 135, Mar: 142, Apr: 128, May: 155, Jun: 168
    Calculate the mean, median, standard deviation, and trend."""
)

Generowanie wykresów naturalnie rozszerza te możliwości, ponieważ środowisko zawiera biblioteki do tworzenia wykresów.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Create a bar chart of cloud market shares in Europe: AWS 31%, Azure 25%, GCP 11%, OVH 8%, Others 25%"
)

Agent używa matplotlib do wygenerowania wykresu. Wynikiem jest plik obrazu dostępny w odpowiedzi – upewnij się więc, że Twój kod odczytujący obsługuje ten przypadek, inaczej wyświetlisz tylko towarzyszący komentarz tekstowy.

Walidacja kodu to trzecie zastosowanie, mniej oczywiste, ale cenne. Prześlij funkcję i przypadki testowe, które należy pokryć: agent nie tylko rozumuje o kodzie, ale go uruchamia. W poniższym przykładzie dane wejściowe "Madam" ujawniają błąd, który prosty przegląd kodu prawdopodobnie by przeoczył.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="""Check if this function is correct:
    
def is_palindrome(s):
    return s == s[::-1]

Test it with: "radar", "hello", "kayak", "Madam"
"""
)

Matematyka stosowana dopełnia listę: rozwiązywanie układów równań, algebra liniowa, optymalizacja. Również tutaj odpowiedź opiera się na solverze, a nie na intuicji.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)

Łączenie z innymi narzędziami

Agent może mieć jednocześnie włączonych wiele narzędzi i często to właśnie tam pojawia się prawdziwa wartość: wyszukiwanie dostarcza świeżych danych, które kod przekształca w analizę.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Complete Analyst",
    description="Search + Calculation",
    instructions="Search for recent data then analyze it with code.",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Find the current price of Bitcoin and calculate its percentage change over the last 30 days."
)

Agent automatycznie wybiera, którego narzędzia użyć w każdym kroku. W tym żądaniu łączy on oba: nie możesz obliczyć zmiany bez wcześniejszego uzyskania wartości, a nie możesz uzyskać tych wartości bez dostępu do sieci.

Ograniczenia piaskownicy

To izolowane środowisko nakłada ograniczenia, które powinieneś znać przed zaprojektowaniem aplikacji. Biblioteki są ograniczone: dostępne są standardowe pakiety Pythona – numpy, pandas, matplotlib i inne – ale nie wszystkie pakiety zewnętrzne, co wyklucza Twoje wewnętrzne zależności. Kod nie ma dostępu do sieci, więc dane muszą do niego trafić przez kontekst lub inne narzędzie, nigdy przez wywołanie HTTP zapisane w skrypcie. Czas wykonania jest ograniczony, więc długotrwałe procesy zostaną przerwane: dziel duże wolumeny danych, zamiast liczyć na pojedyncze przejście. Wreszcie, nie ma trwałości między wywołaniami; plik utworzony podczas jednego wykonania nie zostanie znaleziony w następnym.

Kluczowe wnioski

  • code_interpreter uruchamia Pythona w bezpiecznej piaskownicy po stronie Mistral
  • Odpowiedź zawiera wykonany kod (info.code) i jego wynik (info.code_output)
  • Idealne do obliczeń, analizy danych i generowania wykresów
  • Może być łączone z innymi narzędziami (web_search itp.)
  • Piaskownica ma ograniczenia: brak dostępu do sieci, ograniczone biblioteki, brak trwałości