Przejdź do głównej treści
Polski— Wybierz język
Menu

Przykłady praktycznego wykorzystywania trybu JSON

Lekcja 5 z 12 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Wprowadzanie trybu JSON do praktyki
  2. Wyodrębnianie encji z nieustrukturyzowanego tekstu
  3. Klasyfikacja zgłoszeń wsparcia
  4. Konwersja opisu produktu na kartę katalogową
  5. Przetwarzanie wielu elementów w jednym wywołaniu
  6. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r.: Przykład w TypeScript wcześniej importował Mistral jako eksport domyślny, ale SDK udostępnia wyłącznie eksport nazwany (import { Mistral } from "@mistralai/mistralai"). Ponadto klucz API był zaszyty na sztywno, a typ pola content wymuszano za pomocą !, co jest niewystarczające, ponieważ pole to może być również listą fragmentów. Zweryfikowano poprzez kompilację z SDK 3.5.0 i TypeScript 7.0.2. Źródło: Mistral TypeScript SDK.

Wprowadzanie trybu JSON do praktyki

Wiesz już, jak włączyć tryb JSON; przyjrzyjmy się teraz gotowym przykładom. Trzy scenariusze pojawiają się nieustannie w rzeczywistych projektach i każdy z nich ilustruje inny sposób wykorzystania tego trybu. Kod został przygotowany w Pythonie, z odpowiednikami w TypeScript tam, gdzie bezpośrednie przełożenie nie jest oczywiste.

Wyodrębnianie encji z nieustrukturyzowanego tekstu

Wyodrębnianie encji to najczęstsze i najbardziej opłacalne zastosowanie: e-mail sprzedażowy zawiera pełne dane kontaktowe, lecz są one ukryte w stopce i grzecznościowych zwrotach. Kluczową instrukcją w poniższym przykładzie jest ostatnia linijka monitu systemowego – wymóg zwrócenia wartości null dla brakujących informacji zapobiega halucynowaniu przez model numeru telefonu tylko po to, by wypełnić pole.

from mistralai.client import Mistral
import json

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

email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
        },
        {"role": "user", "content": email_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")

Oczekiwany wynik:

{
  "name": "Marie Dupont",
  "title": "Sales Director",
  "company": "TechVision SAS",
  "phone": "06 12 34 56 78",
  "email": "[email protected]",
  "address": "42 rue de la Paix, 75002 Paris"
}

Klasyfikacja zgłoszeń wsparcia

Klasyfikacja wymaga innego podejścia: zamiast pozwalać modelowi na samodzielny wybór wartości, enumerujesz dozwolone wartości dla każdego pola bezpośrednio w prompcie. Dzięki temu wyniki są porównywalne między zgłoszeniami i gotowe do bezpośredniego wykorzystania w routingu. Zwróć uwagę na zmianę modelu na mistral-small-latest – triaż zgłoszeń nie uzasadnia użycia najpotężniejszego modelu.

tickets = [
    "My payment was charged twice, I demand an immediate refund!",
    "How can I change my password?",
    "Your app crashes every time I open the settings tab.",
]

for ticket in tickets:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[
            {
                "role": "system",
                "content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
            },
            {"role": "user", "content": ticket}
        ],
        response_format={"type": "json_object"},
        temperature=0
    )

    result = json.loads(response.choices[0].message.content)
    print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")

Oto ten sam klasyfikator w TypeScript. Sprawdzenie przed wywołaniem JSON.parse przypomina, że typy w SDK określają content jako opcjonalne i jako string | ContentChunk[]: tylko ciąg znaków można poddać parsowaniu.

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const ticket = "My payment was charged twice!";

const response = await client.chat.complete({
  model: "mistral-small-latest",
  messages: [
    {
      role: "system",
      content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
    },
    { role: "user", content: ticket },
  ],
  responseFormat: { type: "json_object" },
  temperature: 0,
});

const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
  throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);

Konwersja opisu produktu na kartę katalogową

Trzeci scenariusz: przekształcanie tekstu marketingowego w rekord gotowy do zapisu w bazie danych. Ćwiczenie to jest trudniejsze, ponieważ typy mają znaczenie – cena musi być liczbą, czas dostawy dwiema liczbami całkowitymi, a darmowa wysyłka wartością logiczną. Stąd precyzyjne adnotacje w prompcie.

product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
        },
        {"role": "user", "content": product_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))

Wynik:

{
  "name": "MacBook Pro 16-inch",
  "brand": "Apple",
  "price_eur": 2799,
  "specs": {
    "ram_gb": 24,
    "storage_gb": 512,
    "screen": "Liquid Retina XDR"
  },
  "colors": ["Space Black", "Silver"],
  "delivery_days_min": 3,
  "delivery_days_max": 5,
  "free_shipping": true
}

Zauważ, że marka, Apple, nie pojawia się nigdzie w tekście źródłowym: model wywnioskował ją na podstawie nazwy produktu. Jest to zaleta w kontekście wzbogacania danych, ale też ryzyko, które należy monitorować, jeśli wymagasz ściśle dosłownego wyodrębniania.

Przetwarzanie wielu elementów w jednym wywołaniu

Nic nie zmusza Cię do wykonywania jednego wywołania na każdy element. Prosząc model o zwrócenie listy pod pojedynczym kluczem, redukujesz liczbę żądań – a tym samym skumulowane opóźnienia – w przypadku krótkich zadań, takich jak analiza opinii. Żądana tutaj ocena mieści się w zakresie od -1,0 do 1,0, co jest użyteczną konwencją ułatwiającą późniejszą agregację wyników.

texts = [
    "Excellent product, I recommend it!",
    "Late delivery, damaged product.",
    "Decent for the price, nothing exceptional."
]

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "system",
            "content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
        },
        {"role": "user", "content": "\n---\n".join(texts)}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
    print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")

Jeden szczegół wspólny dla wszystkich tych przykładów zasługuje na podkreślenie: temperature=0 jest tutaj stosowane systematycznie. W zadaniach ekstrakcji i klasyfikacji kreatywność nic nie wnosi, a kosztuje powtarzalność.

Kluczowe wnioski

  • Tryb JSON doskonale sprawdza się w ekstrakcji danych, klasyfikacji i konwersji
  • Użyj monitu systemowego, aby zdefiniować oczekiwaną strukturę i typy
  • temperature=0 zapewnia powtarzalne wyniki
  • Przetwarzanie wsadowe w ramach jednego żądania jest możliwe poprzez zażądanie listy JSON
  • Zawsze parsuj odpowiedź za pomocą json.loads() / JSON.parse() przed uzyskaniem dostępu do danych