Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Mistral no Azure AI

Aula 11 de 14 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Por que usar o Mistral via Azure?
  2. Escolher entre serverless e GPU dedicada
  3. Modelos disponíveis no Azure
  4. Obter as suas credenciais
  5. Chamar o modelo em Python
  6. A mesma chamada em TypeScript
  7. Aproveitar o resto da plataforma
  8. Pontos-chave

Atualizado em 3 de novembro de 2026: O exemplo em TypeScript passava anteriormente process.env.AZUREAI_API_KEY e process.env.AZUREAI_ENDPOINT diretamente para MistralAzure. Como ambas as opções são obrigatórias, o TypeScript 7 em modo estrito recusava a compilação (verificado com @mistralai/mistralai-azure 2.1.0). As variáveis de ambiente são agora validadas antes da construção do cliente. Fonte: SDK @mistralai/mistralai-azure.

Por que usar o Mistral via Azure?

Esta questão raramente surge por motivos técnicos: a API direta do Mistral funciona perfeitamente. Ela surge por razões contratuais e organizacionais. Uma empresa já integrada no ecossistema Microsoft consome um compromisso Azure negociado, possui processos de aquisição estabelecidos e não tem desejo de abrir um novo contrato com um fornecedor para alguns milhares de euros em tokens.

O uso do Azure AI consolida a faturação no seu contrato Azure existente, garante a conformidade com o RGPD através de regiões europeias, fornece integração nativa com outros serviços Azure — Azure Functions, Cosmos DB, Azure ML — e oferece suporte empresarial da Microsoft com os respetivos acordos de nível de serviço. Em suma: o mesmo modelo, dentro do perímetro de governança que o seu departamento de TI já aprovou.

Escolher entre serverless e GPU dedicada

A Azure oferece duas abordagens, e a escolha depende da regularidade da sua carga de trabalho. O modo pay-as-you-go, também conhecido como MaaS (Model as a Service), expõe uma API serverless: sem GPUs para provisionar, paga apenas pelos tokens consumidos e a Azure gere a escalabilidade sozinha. Este é o modo recomendado para a maioria dos casos de uso, especialmente enquanto o seu tráfego é irregular ou imprevisível.

Os endpoints em tempo real respondem à necessidade oposta. Escolhe o tipo e a contagem de GPUs, a infraestrutura é dedicada a si e a faturação ocorre por hora de computação — quer o modelo esteja a trabalhar ou inativo. Uma API interna acedida continuamente por vários milhares de utilizadores enquadra-se neste modelo; um protótipo acedido três vezes por dia desperdiçará muito dinheiro aqui. Lembre-se da regra: este modo é recomendado para cargas de trabalho previsíveis e de alto throughput.

Modelos disponíveis no Azure

A documentação do Mistral lista os seguintes modelos no Azure (lista obtida em 2 de novembro de 2026). O catálogo evolui regularmente: consulte a página oficial para a lista atual.

ModeloPosicionamento
Mistral Medium 3.5Bom equilíbrio desempenho/custo
Mistral Large 3 (25.12)Modelo de referência para tarefas complexas
Mistral Small (25.06)Rápido e económico
Codestral (25.01)Especializado em geração de código
Ministral 3B (24.10)Modelo compacto para tarefas leves
Document AI (OCR 4)Extração de texto e estrutura em documentos

Obter as suas credenciais

A obtenção de credenciais ocorre através da interface da Azure e demora alguns minutos:

  1. Aceda ao Microsoft Foundry
  2. Crie um projeto ou selecione um existente
  3. Implemente um modelo Mistral a partir do catálogo de modelos
  4. Recupere o seu endpoint e a sua chave de API na página de implementação

Coloque estes dois valores em variáveis de ambiente, exatamente como a chave direta do Mistral. A diferença reside no endpoint: cada implementação na Azure tem o seu próprio; não existe um URL comum.

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

Chamar o modelo em Python

O SDK do Mistral fornece um cliente Azure dedicado, MistralAzure, incluído no pacote mistralai: passa-lhe o URL de implementação e a chave, e o resto do código é idêntico ao que escreve para a API direta. Desde a versão 2.0 do SDK (março de 2026), a importação é feita a partir de 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",  # Identificador esperado pelos endpoints da Azure
    messages=[
        {"role": "user", "content": "What are the benefits of sovereign cloud in Europe?"}
    ]
)

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

O ponto mais confuso reside no parâmetro model. Espera escrever mistral-large-latest; em vez disso, deve colocar azureai. A razão é simples: o modelo já é determinado pela implementação que criou no lado da Azure; o endpoint aponta para ele e apenas para ele. Alterar modelos significa, portanto, alterar endpoints, e não alterar uma string no código.

O streaming, no entanto, não muda nem uma vírgula em comparação com a API direta — mesmo método, mesmo nível .data para aceder ao conteúdo do fragmento. Esse é exatamente o objetivo de um SDK unificado: o código que escreveu nas lições anteriores funciona tal como está.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Describe the architecture of a data lake on Azure."}
    ]
)

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

A mesma chamada em TypeScript

Do lado do TypeScript, o cliente Azure é publicado num pacote separado, @mistralai/mistralai-azure, instalado com npm add @mistralai/mistralai-azure. As suas opções seguem a convenção de nomenclatura JavaScript: apiKey e endpoint, ambas obrigatórias. Daí a validação da variável de ambiente, sem a qual o modo estrito recusa a compilação, uma vez que uma variável de ambiente pode estar em falta:

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('Set AZUREAI_API_KEY and AZUREAI_ENDPOINT.');
}

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

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

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

Fontes: Mistral no Azure (documentação do Mistral) · SDK TypeScript @mistralai/mistralai-azure

Aproveitar o resto da plataforma

Assim que a chamada funcionar, aproveite os serviços que já está a pagar. Armazene as suas chaves no Azure Key Vault em vez de em variáveis de ambiente: a rotação torna-se uma operação administrativa, não uma reimplementação. Ative registos de diagnóstico no seu endpoint para monitorizar latência e erros, a única forma de distinguir a lentidão do modelo da lentidão do código. Escolha uma região europeia, West Europe ou France Central, para permanecer em conformidade com o RGPD — esta é frequentemente a própria razão para escolher a Azure. Por fim, configure alertas do Azure Monitor no consumo de tokens: um ciclo mal fechado num trabalho noturno aparece na fatura muito mais tarde do que num alerta.

Pontos-chave

  • O Azure AI oferece o Mistral nos modos serverless (MaaS) ou GPU dedicada
  • O modelo é identificado por "azureai" nas chamadas à API
  • O cliente MistralAzure recebe o endpoint via server_url (Python, mistralai.azure.client) ou endpoint (TypeScript, @mistralai/mistralai-azure)
  • A integração com o ecossistema Azure (Key Vault, Monitor, Functions) é um ativo importante para as empresas
  • Escolha uma região europeia para permanecer em conformidade com o RGPD