Przejdź do głównej treści
Polski— Wybierz język
Menu

Mistral na platformie Azure AI

Lekcja 11 z 14 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Dlaczego warto używać Mistrala przez Azure?
  2. Wybór między trybem serverless a dedykowanym GPU
  3. Modele dostępne na platformie Azure
  4. Pozyskiwanie poświadczeń
  5. Wywoływanie modelu w Pythonie
  6. To samo wywołanie w TypeScript
  7. Wykorzystanie pozostałej części platformy
  8. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r.: Poprzedni przykład w TypeScript przekazywał zmienne process.env.AZUREAI_API_KEY oraz process.env.AZUREAI_ENDPOINT bezpośrednio do konstruktora MistralAzure. Ponieważ obie opcje są wymagane, TypeScript 7 w trybie ścisłym odmawiał kompilacji (zweryfikowano na pakiecie @mistralai/mistralai-azure w wersji 2.1.0). Obecnie zmienne środowiskowe są walidowane przed utworzeniem klienta. Źródło: SDK @mistralai/mistralai-azure.

Dlaczego warto używać Mistrala przez Azure?

Pytanie to rzadko wynika z przyczyn technicznych – bezpośrednie API Mistrala działa bez zarzutu. Pojawia się ono ze względów kontraktowych i organizacyjnych. Firma już osadzona w ekosystemie Microsoftu wykorzystuje wynegocjowane zobowiązania w ramach Azure, ma ustalone procesy zakupowe i nie chce zawierać nowej umowy z dostawcą tylko po to, by zużyć tokeny za kilka tysięcy euro.

Korzystanie z Azure AI konsoliduje rozliczenia w ramach istniejącej umowy z Azure, zapewnia zgodność z RODO dzięki regionom europejskim, oferuje natywną integrację z innymi usługami Azure – takimi jak Azure Functions, Cosmos DB czy Azure ML – oraz zapewnia wsparcie korporacyjne Microsoftu z odpowiednimi umowami SLA. Krótko mówiąc: ten sam model, ale w ramach obwodu zarządzania, który Twój dział IT już zatwierdził.

Wybór między trybem serverless a dedykowanym GPU

Azure oferuje dwa podejścia, a wybór zależy od regularności Twojego obciążenia. Tryb płatności za rzeczywiste użycie, znany również jako MaaS (Model as a Service), udostępnia API typu serverless: nie musisz aprowizować żadnych GPU, płacisz tylko za zużyte tokeny, a Azure samodzielnie zajmuje się skalowaniem. Jest to tryb zalecany dla większości przypadków użycia, zwłaszcza gdy Twój ruch jest nieregularny lub nieprzewidywalny.

Punkty końcowe czasu rzeczywistego (Real-time endpoints) odpowiadają na przeciwne potrzeby. Wybierasz typ i liczbę GPU, infrastruktura jest dedykowana wyłącznie Tobie, a rozliczenia następują za godzinę pracy obliczeniowej – niezależnie od tego, czy model pracuje, czy stoi bezczynnie. Wewnętrzne API nieustannie obsługujące kilka tysięcy użytkowników idealnie wpisuje się w ten model; prototyp uruchamiany trzy razy dziennie zmarnuje tu mnóstwo pieniędzy. Zapamiętaj zasadę: ten tryb jest zalecany dla przewidywalnych obciążeń o wysokiej przepustowości.

Modele dostępne na platformie Azure

Dokumentacja Mistrala wymienia następujące modele dostępne na Azure (lista pobrana 2 listopada 2026 r.). Katalog ewoluuje regularnie: sprawdź oficjalną stronę, aby uzyskać aktualną listę.

ModelPozycjonowanie
Mistral Medium 3.5Dobry stosunek wydajności do kosztów
Mistral Large 3 (25.12)Model flagowy do złożonych zadań
Mistral Small (25.06)Szybki i ekonomiczny
Codestral (25.01)Wyspecjalizowany w generowaniu kodu
Ministral 3B (24.10)Kompaktowy model do lekkich zadań
Document AI (OCR 4)Ekstrakcja tekstu i struktury z dokumentów

Pozyskiwanie poświadczeń

Pobranie poświadczeń odbywa się przez interfejs Azure i zajmuje kilka minut:

  1. Przejdź do Microsoft Foundry
  2. Utwórz nowy projekt lub wybierz istniejący
  3. Wdróż model Mistral z katalogu modeli
  4. Pobierz swój punkt końcowy (endpoint) i klucz API ze strony wdrożenia

Umieść te dwie wartości w zmiennych środowiskowych, dokładnie tak samo jak w przypadku bezpośredniego klucza Mistral. Różnica polega na punkcie końcowym: każde wdrożenie w Azure ma swój własny; nie istnieje jeden wspólny adres URL.

export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com"
export AZUREAI_API_KEY="your-azure-secret-key"

Wywoływanie modelu w Pythonie

SDK Mistrala udostępnia dedykowanego klienta Azure o nazwie MistralAzure, zawartego w pakiecie mistralai: przekazujesz mu adres URL swojego wdrożenia oraz klucz, a reszta kodu jest identyczna z tą, którą piszesz dla bezpośredniego API. Od wersji SDK 2.0 (marzec 2026 r.) importuje się go z modułu mistralai.azure.client.

import os
from mistralai.azure.client import MistralAzure

client = MistralAzure(
    server_url=os.environ["AZUREAI_ENDPOINT"],
    api_key=os.environ["AZUREAI_API_KEY"],
)

response = client.chat.complete(
    model="azureai",  # Identyfikator oczekiwany przez punkty końcowe Azure
    messages=[
        {"role": "user", "content": "Jakie są korzyści z chmury suwerennej w Europie?"}
    ]
)

print(response.choices[0].message.content)

Najbardziej mylącym punktem jest parametr model. Spodziewasz się wpisać mistral-large-latest, tymczasem musisz podać azureai. Powód jest prosty: model jest już określony przez wdrożenie, które utworzyłeś po stronie Azure; punkt końcowy wskazuje właśnie na niego i tylko na niego. Zmiana modelu oznacza więc zmianę punktu końcowego, a nie zmianę ciągu znaków w kodzie.

Strumieniowanie (streaming) nie różni się jednak ani o jotę od bezpośredniego API – ta sama metoda, ten sam poziom .data, aby dotrzeć do zawartości fragmentu. Na tym właśnie polega idea zunifikowanego SDK: kod, który napisałeś w poprzednich lekcjach, działa bez zmian.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Opisz architekturę jeziora danych na platformie Azure."}
    ]
)

for chunk in stream:
    content = chunk.data.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

To samo wywołanie w TypeScript

Po stronie TypeScript klient Azure jest publikowany w osobnym pakiecie, @mistralai/mistralai-azure, instalowanym poleceniem npm add @mistralai/mistralai-azure. Jego opcje遵循 konwencję nazewnictwa JavaScript: apiKey i endpoint, przy czym obie są wymagane. Stąd konieczność walidacji zmiennych środowiskowych – bez niej tryb ścisły odmówi kompilacji, ponieważ zmienna środowiskowa może nie istnieć:

import { MistralAzure } from '@mistralai/mistralai-azure';

const apiKey = process.env.AZUREAI_API_KEY;
const endpoint = process.env.AZUREAI_ENDPOINT;
if (!apiKey || !endpoint) {
  throw new Error('Ustaw zmienne AZUREAI_API_KEY i AZUREAI_ENDPOINT.');
}

const client = new MistralAzure({ apiKey, endpoint });

const response = await client.chat.complete({
  model: 'azureai',
  messages: [
    { role: 'user', content: 'Jak zabezpieczyć Azure Key Vault?' },
  ],
});

console.log(response.choices[0]?.message?.content);

Źródła: Mistral na Azure (dokumentacja Mistral) · TypeScript SDK @mistralai/mistralai-azure

Wykorzystanie pozostałej części platformy

Gdy wywołanie już działa, wykorzystaj usługi, za które i tak płacisz. Przechowuj swoje klucze w Azure Key Vault zamiast w zmiennych środowiskowych: rotacja staje się wtedy operacją administracyjną, a nie koniecznością ponownego wdrażania. Włącz dzienniki diagnostyczne dla swojego punktu końcowego, aby monitorować opóźnienia i błędy – to jedyny sposób, by odróżnić powolne działanie modelu od błędów w kodzie. Wybierz region europejski, np. West Europe lub France Central, aby zachować zgodność z RODO – często jest to główny powód wyboru Azure. Na koniec skonfiguruj alerty w Azure Monitor dotyczące zużycia tokenów: źle domknięta pętla w zadaniu nocnym pojawi się na fakturze znacznie później niż w alertach.

Kluczowe wnioski

  • Azure AI udostępnia Mistrala w trybach serverless (MaaS) lub dedykowanego GPU
  • Model jest identyfikowany w wywołaniach API jako "azureai"
  • Klient MistralAzure przyjmuje punkt końcowy przez server_url (Python, mistralai.azure.client) lub endpoint (TypeScript, @mistralai/mistralai-azure)
  • Integracja z ekosystemem Azure (Key Vault, Monitor, Functions) to ogromny atut dla przedsiębiorstw
  • Wybierz region europejski, aby zachować zgodność z RODO