Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Exemplos Práticos do Modo JSON

Aula 5 de 12 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Colocar o Modo JSON em Prática
  2. Extração de Entidades de Texto Não Estruturado
  3. Classificação de Tickets de Suporte
  4. Conversão de uma Descrição numa Ficha de Produto
  5. Processamento de Múltiplos Itens numa Única Chamada
  6. Pontos-chave

Atualizado em 3 de novembro de 2026: O exemplo em TypeScript importava anteriormente Mistral como 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 de content com !, 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=0 garante 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