Salt la conținutul principal
Română— Alege o limbă
Meniu

Instrumentul code_interpreter: Executarea codului Python

Lecția 9 din 18 Actualizată 2 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Executarea codului în cloud-ul Mistral
  2. Crearea unui agent cu Code Interpreter
  3. Declanșarea unei execuții
  4. Structura răspunsului
  5. Ce schimbă instrumentul în practică
  6. Combinarea cu alte instrumente
  7. Limitările sandbox-ului
  8. Puncte cheie

Executarea codului în cloud-ul Mistral

Instrumentul code_interpreter permite agentului dumneavoastră să scrie și să execute cod Python într-un container izolat (sandbox). Este alegerea ideală pentru calcule, analiză de date, generare de grafice și validarea codului. Nu este doar o chestiune de confort: un LLM care „calculează“ în mintea sa produce un rezultat plauzibil, nu neapărat corect. Prin delegarea operației către un interpretor real, înlocuiți predicția tokenilor cu o execuție verificabilă, oferindu-vă un cod pe care îl puteți audita.

Crearea unui agent cu Code Interpreter

Instrucțiunile pentru acest agent îi cer să afișeze codul înainte de a-l executa, oferindu-vă un punct de control asupra a ceea ce rulează efectiv.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

agent = client.beta.agents.create(
    model="mistral-medium-latest",
    name="Code Agent",
    instructions="""You are a Python programming assistant.
- Use the code interpreter to run code when necessary
- Always show the code before executing it
- Explain results clearly""",
    tools=[{"type": "code_interpreter"}],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Declanșarea unei execuții

O simplă cerere de calcul este suficientă pentru a activa instrumentul; nu este nevoie de nicio instrucțiune specială din partea dumneavoastră.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Calculate the first 20 Fibonacci numbers."
)

Agentul scrie apoi un script Python pentru a calcula șirul, îl execută în sandbox și prezintă rezultatele împreună cu explicațiile. Cele douăzeci de valori pe care le primiți provin dintr-o execuție reală: ele vor fi exacte chiar și dincolo de punctul în care un model începe de obicei să facă greșeli.

Structura răspunsului

Puteți citi acest mecanism direct în intrările returnate, iar codul dumneavoastră trebuie să facă distincția între text și rezultatele execuției.

for entry in response.outputs:
    if entry.type == "message.output":
        # First response: "I will calculate..." or final result
        print(f"Message: {entry.content}")

    elif entry.type == "tool.execution":
        # Executed code and result
        print(f"Code: {entry.info.code}")
        print(f"Output: {entry.info.code_output}")

Agentul începe cu un message.output care anunță ce urmează să facă. Urmează tool.execution unde rulează codul: info.code conține scriptul, iar info.code_output deține output-ul acestuia. Un al doilea message.output închide secvența, moment în care agentul interpretează și explică rezultatele. Aceste două câmpuri, info.code și info.code_output, reprezintă pista de audit – păstrați-le în jurnalele aplicației dumneavoastră, deoarece vă permit să replayați și să contestați orice cifră produsă de agent.

Ce schimbă instrumentul în practică

Analiza datelor este cazul de utilizare cel mai imediat. Furnizați o serie de valori și cereți statistici: media, mediana și abaterea standard sunt calculate, nu estimate.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="""Here are the monthly sales (in K€): 
    Jan: 120, Feb: 135, Mar: 142, Apr: 128, May: 155, Jun: 168
    Calculate the mean, median, standard deviation, and trend."""
)

Generarea de grafice extinde natural această capacitate, deoarece mediul include biblioteci de plotare.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Create a bar chart of cloud market shares in Europe: AWS 31%, Azure 25%, GCP 11%, OVH 8%, Others 25%"
)

Agentul folosește matplotlib pentru a genera graficul. Rezultatul este un fișier imagine accesibil în răspuns – asigurați-vă deci că codul dumneavoastră de citire gestionează acest caz, altfel veți afișa doar comentariul text însoțitor.

Validarea codului este un al treilea caz de utilizare, mai puțin evident, dar valoros. Trimiteți o funcție și cazurile de test care trebuie acoperite: agentul nu doar raționează despre cod, ci îl și execută. În exemplul de mai jos, input-ul "Madam" dezvăluie o eroare pe care o simplă revizuire a codului ar fi probabil ratat-o.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="""Check if this function is correct:
    
def is_palindrome(s):
    return s == s[::-1]

Test it with: "radar", "hello", "kayak", "Madam"
"""
)

Matematica aplicată completează lista: rezolvarea sistemelor de ecuații, algebra liniară, optimizarea. Și aici, răspunsul se bazează pe un solver, nu pe intuiție.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Solve the system of equations: 2x + 3y = 12, 4x - y = 5"
)

Combinarea cu alte instrumente

Un agent poate avea multiple instrumente activate simultan, iar aici apare adesea adevărata valoare: căutarea aduce date proaspete pe care codul le transformă în analiză.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Complete Analyst",
    description="Search + Calculation",
    instructions="Search for recent data then analyze it with code.",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Find the current price of Bitcoin and calculate its percentage change over the last 30 days."
)

Agentul alege automat ce instrument să folosească la fiecare pas. În această cerere, le înlănțuie pe cele două: nu puteți calcula o variație fără a obține mai întâi valorile, iar nu puteți obține acele valori fără acces la web.

Limitările sandbox-ului

Acest mediu izolat impune constrângeri pe care trebuie să le cunoașteți înainte de a vă proiecta aplicația. Bibliotecile sunt limitate: pachetele Python standard sunt disponibile – numpy, pandas, matplotlib, printre altele – dar nu toate pachetele terțe, ceea ce exclude dependențele dumneavoastră interne. Codul nu are acces la rețea, așa că datele trebuie să ajungă la el prin context sau prin alt instrument, niciodată printr-un apel HTTP scris în script. Timpul de execuție este limitat, astfel încât procesele de lungă durată sunt întrerupte: divizați volumele mari în loc să sperați la o singură trecere. În final, nu există persistență între apeluri; un fișier creat în timpul unei execuții nu va fi găsit la următoarea.

Puncte cheie

  • code_interpreter execută Python într-un sandbox securizat pe partea Mistral
  • Răspunsul conține codul executat (info.code) și output-ul său (info.code_output)
  • Ideal pentru calcule, analiză de date și generare de grafice
  • Poate fi combinat cu alte instrumente (web_search, etc.)
  • Sandbox-ul are limitări: fără acces la rețea, biblioteci limitate, fără persistență