Exemplo Prático: Rastreador de Pagamentos
Nesta página
Um Projeto Completo de Ponta a Ponta
As lições anteriores isolaram cada mecanismo: definições de ferramentas, o ciclo de chamada, tratamento de erros e segurança. Agora é hora de os reunir. Vai construir um rastreador de pagamentos conversacional completo, onde os utilizadores fazem perguntas em linguagem natural e o sistema consulta um DataFrame do Pandas através de chamadas de funções. Este caso de uso baseia-se diretamente na documentação oficial da Mistral. Cabe em cerca de cem linhas, expondo os cinco blocos de construção de uma aplicação real: dados, funções de negócio, especificações JSON, despacho e o ciclo de conversação.
Os Dados
Um DataFrame com cinco transações cobre os cenários interessantes: um cliente com múltiplos pagamentos, um pagamento pendente e um pagamento falhado.
import pandas as pd
import json
import os
from mistralai.client import Mistral
from functools import partial
# Transactions DataFrame
data = {
"transaction_id": ["T1001", "T1002", "T1003", "T1004", "T1005"],
"customer_id": ["C001", "C002", "C003", "C002", "C001"],
"payment_amount": [125.50, 89.99, 350.00, 45.00, 210.75],
"payment_date": ["2026-03-15", "2026-03-16", "2026-03-17", "2026-03-17", "2026-03-18"],
"payment_status": ["paid", "paid", "pending", "paid", "failed"]
}
df = pd.DataFrame(data)
Funções de Negócio
Quatro funções cobrem as necessidades típicas de rastreamento de pagamentos. As três primeiras operam numa única transação e diferem pela granularidade: apenas estado, apenas data ou detalhes completos. Esta aparente redundância é deliberada — permite ao modelo solicitar apenas o necessário, reduzindo dados desnecessários no contexto. A quarta muda de perspetiva e opera por cliente.
Note o contrato comum: todas devolvem uma cadeia JSON, mesmo em caso de falha, e todas tratam identificadores em falta em vez de deixarem o Pandas lançar uma exceção num índice vazio.
def retrieve_payment_status(df: pd.DataFrame, transaction_id: str) -> str:
"""Retrieves the status of a payment."""
if transaction_id in df["transaction_id"].values:
row = df[df["transaction_id"] == transaction_id].iloc[0]
return json.dumps({
"transaction_id": transaction_id,
"status": row["payment_status"]
})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
def retrieve_payment_date(df: pd.DataFrame, transaction_id: str) -> str:
"""Retrieves the date of a payment."""
if transaction_id in df["transaction_id"].values:
row = df[df["transaction_id"] == transaction_id].iloc[0]
return json.dumps({
"transaction_id": transaction_id,
"date": row["payment_date"]
})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
def retrieve_payment_details(df: pd.DataFrame, transaction_id: str) -> str:
"""Retrieves all details of a payment."""
if transaction_id in df["transaction_id"].values:
row = df[df["transaction_id"] == transaction_id].iloc[0]
return json.dumps({
"transaction_id": transaction_id,
"customer_id": row["customer_id"],
"amount": float(row["payment_amount"]),
"date": row["payment_date"],
"status": row["payment_status"]
})
return json.dumps({"error": f"Transaction {transaction_id} not found"})
def list_customer_transactions(df: pd.DataFrame, customer_id: str) -> str:
"""Lists all transactions for a given customer."""
customer_df = df[df["customer_id"] == customer_id]
if customer_df.empty:
return json.dumps({"error": f"Customer {customer_id} not found"})
transactions = []
for _, row in customer_df.iterrows():
transactions.append({
"transaction_id": row["transaction_id"],
"amount": float(row["payment_amount"]),
"date": row["payment_date"],
"status": row["payment_status"]
})
return json.dumps({"customer_id": customer_id, "transactions": transactions})
A conversão float(row["payment_amount"]) merece uma segunda análise: sem ela, json.dumps falha com tipos NumPy. Este é o tipo de detalhe que só deteta em tempo de execução.
Especificações JSON
O modelo não vê nenhum do código acima. Só conhece estas descrições. Listar explicitamente os estados possíveis em retrieve_payment_status e lembrar ao modelo o formato T1001 em cada descrição de parâmetro permite-lhe escolher a função correta e extrair o identificador adequadamente.
tools = [
{
"type": "function",
"function": {
"name": "retrieve_payment_status",
"description": "Retrieves the status of a payment (paid, pending, failed)",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "retrieve_payment_date",
"description": "Retrieves the date of a payment",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "retrieve_payment_details",
"description": "Retrieves all details of a payment: amount, date, status, customer",
"parameters": {
"type": "object",
"properties": {
"transaction_id": {
"type": "string",
"description": "Transaction identifier (e.g., T1001)"
}
},
"required": ["transaction_id"]
}
}
},
{
"type": "function",
"function": {
"name": "list_customer_transactions",
"description": "Lists all transactions for a given customer",
"parameters": {
"type": "object",
"properties": {
"customer_id": {
"type": "string",
"description": "Customer identifier (e.g., C001)"
}
},
"required": ["customer_id"]
}
}
}
]
O Dicionário de Despacho
Eis a questão: as suas funções esperam df como primeiro argumento, mas o modelo nunca o fornecerá — ele não sabe que existe, e isso está bem. functools.partial resolve isto elegantemente ao pré-associar o DataFrame, para que cada entrada no dicionário se torne executável apenas com os argumentos que o modelo produz.
available_functions = {
"retrieve_payment_status": partial(retrieve_payment_status, df),
"retrieve_payment_date": partial(retrieve_payment_date, df),
"retrieve_payment_details": partial(retrieve_payment_details, df),
"list_customer_transactions": partial(list_customer_transactions, df),
}
O Ciclo de Conversação
A mensagem do sistema define a função, o idioma e a formatação esperada para os valores. A função chat orquestra o resto, e a sua estrutura merece atenção redobrada: o ciclo while message.tool_calls lida com uma única chamada, múltiplas chamadas paralelas ou uma cadeia onde o modelo solicita outra função após ver o primeiro resultado. O ciclo interno executa todas as chamadas para o turno atual; o ciclo externo volta a invocar o modelo enquanto este continuar a solicitar ferramentas.
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
model = "mistral-large-latest"
messages = [
{
"role": "system",
"content": "You are a payment tracking assistant. "
"Respond in English. Use the available tools "
"to answer questions about transactions. "
"Format amounts in euros with 2 decimal places."
}
]
def chat(user_input: str) -> str:
"""Complete conversation turn with tool_calls handling."""
messages.append({"role": "user", "content": user_input})
response = client.chat.complete(
model=model, messages=messages, tools=tools
)
message = response.choices[0].message
# Loop while the model wants to call functions
while message.tool_calls:
messages.append(message)
for tool_call in message.tool_calls:
fn_name = tool_call.function.name
fn_params = json.loads(tool_call.function.arguments)
if fn_name in available_functions:
result = available_functions[fn_name](**fn_params)
else:
result = json.dumps({"error": f"Unknown function {fn_name}"})
messages.append({
"role": "tool",
"name": fn_name,
"content": result,
"tool_call_id": tool_call.id
})
response = client.chat.complete(
model=model, messages=messages, tools=tools
)
message = response.choices[0].message
messages.append(message)
return message.content
O Que a Conversação Revela
Teste isto com quatro turnos consecutivos. O segundo é o mais instrutivo: «esta transação» não contém nenhum identificador, ainda assim o modelo chama retrieve_payment_details com T1001. Resolveu a anáfora usando o histórico preservado em messages, o que seria impossível se reiniciasse a lista em cada chamada. O quarto turno mostra o outro lado: nenhuma função procura pagamentos falhados, mas o modelo consulta o cliente relevante e filtra o resultado por si próprio.
# Turn 1
print(chat("What is the status of payment T1001?"))
# -> "Payment T1001 has status: paid."
# Turn 2
print(chat("Give me all the details for this transaction."))
# -> "Here are the details for payment T1001:
# - Customer: C001
# - Amount: 125.50 euros
# - Date: March 15, 2026
# - Status: paid"
# Turn 3
print(chat("What are all the transactions for customer C002?"))
# -> "Customer C002 has 2 transactions:
# - T1002: 89.99 euros (paid, March 16, 2026)
# - T1004: 45.00 euros (paid, March 17, 2026)"
# Turn 4
print(chat("Are there any failed payments?"))
# -> "Yes, payment T1005 for customer C001 (210.75 euros) failed."
A formatação dos valores com ponto decimal e as datas escritas por extenso não provêm de nenhuma linha de código: resulta da mensagem do sistema. Esta é a lição mais útil deste capítulo — metade da qualidade percebida acontece nas descrições e na mensagem do sistema, não na mecânica das chamadas.
Pontos-chave
- Um rastreador de pagamentos completo requer 4 funções que cobrem os principais casos de uso
functools.partialassocia o DataFrame às funções para um despacho limpo- O ciclo
while message.tool_callslida automaticamente com chamadas sequenciais e paralelas - A mensagem do sistema guia o modelo quanto ao tom, idioma e formatação
- Teste com conversas de vários turnos para verificar se o modelo mantém o contexto