Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Reasoning v agentoch a konverzáciách

Lekcia 4 z 12 Aktualizované 2. novembra 2026 Vývojár
Na tejto strane
  1. Tri spôsoby volania reasoning modelu
  2. Agent, ktorý reasonuje
  3. Čítanie výstupov konverzácie
  4. Konverzácia bez agenta
  5. Reasoning a nástroje
  6. Porovnanie troch prístupov
  7. Najlepšie postupy integrácie
  8. Kľúčové poznatky

Lekcia prepísaná 2. novembra 2026 pre modely Mistral Small 4 a Large 4. Dokumentácia Mistralu uvádza, že parameter reasoning_effort je dostupný v endpointoch Agents a Conversations v rámci poľa completion_args. Zdroje: Reasoning · Python SDK — Conversations.

Tri spôsoby volania reasoning modelu

Predchádzajúce lekcie využívali API Chat Completions: pri každom volaní si odosielal celú históriu a parameter reasoning_effort si vkladal priamo do požiadavky. Mistral ponúka dve ďalšie rozhrania: Agents API, ktoré ukladá opakovane použiteľnú konfiguráciu (model, inštrukcie, nástroje, parametre), a Conversations API, ktoré uchováva históriu na serveri. V týchto dvoch API nenastavuješ reasoning na najvyššej úrovni; vnoríš ho do completion_args vedľa ostatných parametrov generovania.

Agent, ktorý reasonuje

Nastavenie úrovne reasoning priamo v definícii agenta ti umožňuje vyhnúť sa jeho opakovanému zadávaniu pri každom volaní a zabezpečuje, že celý tím používa rovnaké nastavenie:

import os
from mistralai.client import Mistral

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

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

Čítanie výstupov konverzácie

Konverzácia nevracia choices; vracia zoznam položiek (outputs). Odpoveď modelu sa nachádza v položkách typu message.output. Rovnako ako pri Chat Completions je obsah buď reťazec, alebo zoznam častí (chunks), ktoré môžu obsahovať ThinkChunk. Funkcia separer z Lekcie 3 funguje presne tak ako predtým:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Ostatné položky opisujú, čo sa počas kroku udialo, napríklad vykonanie nástroja (tool.execution) alebo volanie funkcie. Ak ťa zaujíma len konečná odpoveď, môžeš ich ignorovať.

Konverzácia bez agenta

Pre jednorazové úlohy prijíma Conversations API model priamo, bez predchádzajúceho nastavenia agenta. Server uchováva históriu a výmenu môžeš pokračovať pomocou conversations.append, pričom podľa potreby upravíš úroveň reasoning pre konkrétny krok:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Toto je konkrétna výhoda oproti Chat Completions, kde dokumentácia vyžaduje, aby si pri každom novom kroku znovu odoslal celú správu asistenta vrátane reflexie (Lekcia 7). Pri Conversations API uchováva históriu server; nemusíš ju pri každom volaní odosielať znova.

Reasoning a nástroje

Agent môže kombinovať reasoning aj nástroje: tools a completion_args sú pri vytváraní agenta nezávislé polia. Analytický agent tak môže mať zároveň webové vyhľadávanie aj hlboký reasoning:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Dávaj si však pozor na náklady: reflexia aj volania nástrojov sa v rámci jedného kroku sčítavajú vo faktúre.

Porovnanie troch prístupov

KritériumChat CompletionsAgentsConversations
Kde nastaviť reasoningreasoning_effort v požiadavkecompletion_args v agentecompletion_args v start alebo append
HistóriaOpätovné odoslanie pri každom volaní, vrátane reflexieNesená konverzáciouUchovávaná na serveri
Vstavané nástroje (web_search…)NieÁnoÁno
Typické použitieJednorazové volania, plná kontrolaZdieľaná, opakovane použiteľná konfiguráciaViackrokové výmeny

Najlepšie postupy integrácie

Úroveň reasoning nastav v agente, keď je úloha jednotná, a pre každý krok zvlášť, keď sa mení: počiatočný analytický krok s hodnotou high, nasledovaný krokmi preformulovania s hodnotou low alebo none v závislosti od modelu. Over, či hodnota zodpovedá modelu agenta: Small 4 akceptuje high a none; Large 4 akceptuje low, medium a high. Nakoniec loguj využitie tokenov pre každý krok; je to jediný spôsob, ako zistiť, či sa reasoning vo tvojom prípade oplatí.

Kľúčové poznatky

  • V API Agents a Conversations odovzdávaj reasoning_effort vnútri completion_args
  • Odpovede prichádzajú v outputs; text sa nachádza v položkách message.output, vrátane reflexie
  • Conversations API uchováva históriu na serveri: nemusíš ju pri každom kroku odosielať znova
  • Úroveň môžeš meniť pri každom kroku pomocou conversations.append
  • Agent môže kombinovať vstavané nástroje a reasoning, čo však zvyšuje kumulatívne využitie