Przykłady praktycznego wykorzystywania trybu JSON
Na tej stronie
Zaktualizowano 3 listopada 2026 r.: Przykład w TypeScript wcześniej importował
Mistraljako eksport domyślny, ale SDK udostępnia wyłącznie eksport nazwany (import { Mistral } from "@mistralai/mistralai"). Ponadto klucz API był zaszyty na sztywno, a typ polacontentwymuszano 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=0zapewnia 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