Exemplos Práticos do Modo JSON
Nesta página
Atualizado em 3 de novembro de 2026: O exemplo em TypeScript importava anteriormente
Mistralcomo uma exportação padrão, mas o SDK apenas fornece uma exportação nomeada (import { Mistral } from "@mistralai/mistralai"). Também codificava a chave da API e forçava o tipo decontentcom!, o que é insuficiente porque o campo também pode ser uma lista de fragmentos. Verificado por compilação com o SDK 3.5.0 e TypeScript 7.0.2. Fonte: Mistral TypeScript SDK.
Colocar o Modo JSON em Prática
Já sabe como ativar o Modo JSON; agora vamos analisar exemplos práticos. Três cenários surgem constantemente em projetos reais e cada um ilustra uma forma diferente de aproveitar este modo. O código é fornecido em Python, com equivalentes em TypeScript sempre que a tradução não é imediata.
Extração de Entidades de Texto Não Estruturado
A extração de entidades é o caso de uso mais frequente e económico: um e-mail de vendas contém todos os detalhes de contacto, mas estes estão enterrados numa assinatura e em saudações. A instrução chave no exemplo seguinte é a última linha do prompt do sistema — exigir null para informações em falta impede que o modelo invente um número de telefone apenas para preencher o campo.
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']}")
Resultado esperado:
{
"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"
}
Classificação de Tickets de Suporte
A classificação requer uma abordagem diferente: em vez de deixar o modelo escolher os seus próprios valores, enumera os valores permitidos para cada campo no prompt. Isto torna os resultados comparáveis de um ticket para outro e diretamente utilizáveis para encaminhamento. Note a mudança para mistral-small-latest — o triagem de tickets não justifica o uso do modelo mais potente.
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']}")
Eis o mesmo classificador em TypeScript. A verificação antes de JSON.parse lembra-nos que o SDK tipa content como opcional e como string | ContentChunk[]: apenas uma string pode ser analisada.
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}`);
Conversão de uma Descrição numa Ficha de Produto
Terceiro cenário: transformar texto de marketing num registo pronto para uma base de dados. Este exercício é mais delicado porque os tipos importam — um preço deve chegar como um número, uma duração de entrega como dois inteiros e o envio gratuito como um booleano. Daí as anotações precisas no prompt.
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))
Resultado:
{
"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
}
Note que a marca, Apple, não aparece em lado nenhum no texto de origem: o modelo inferiu-a a partir do nome do produto. Esta é uma vantagem para o enriquecimento, mas um risco a monitorizar se exigir uma extração estritamente literal.
Processamento de Múltiplos Itens numa Única Chamada
Nada o obriga a fazer uma chamada por item. Ao pedir ao modelo uma lista sob uma única chave, reduz o número de pedidos — e, consequentemente, a latência cumulativa — para tarefas curtas como a análise de avaliações. A pontuação solicitada aqui varia de -1.0 a 1.0, uma convenção útil para agregar resultados posteriormente.
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]}...")
Um detalhe comum a todos estes exemplos merece ênfase: temperature=0 é sistemático aqui. Para tarefas de extração e classificação, a criatividade nada acrescenta e custa reprodutibilidade.
Pontos-chave
- O Modo JSON destaca-se na extração de dados, classificação e conversão
- Utilize o prompt do sistema para definir a estrutura e os tipos esperados
temperature=0garante resultados reproduzíveis- O processamento em lote num único pedido é possível ao solicitar uma lista JSON
- Analise sempre a resposta com
json.loads()/JSON.parse()antes de aceder aos dados