Prípady použitia viacerých agentov
Na tejto strane
Od konceptu k realite
Teraz už rozumieš odovzdávaniu, režimom vykonávania a reťazeniu. Táto lekcia spája tieto stavebné kamene do troch kompletných systémov, z ktorých každý je postavený na inej topológii: eskalačný reťazec, pipeline (postupnosť) a smerovač. Keď budeš čítať, všimni si, ako architektúra vyplýva z problému, nie naopak – povaha potreby určuje formu, nie technológia.
Prípad 1: Viacúrovňová zákaznícka podpora
Operácie podpory fungujú vo vrstvách: väčšina požiadaviek sa vyrieši pri prvom kontakte, menšina si vyžaduje technickú diagnostiku a len hŕstka skončí u človeka. Táto realita sa priamo mapuje na eskalačný reťazec, kde každá úroveň odovzdáva úlohu len tej nasledujúcej.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Level 1: FAQ and simple questions
level1 = client.beta.agents.create(
model="mistral-medium-latest",
name="support-level1",
description="Level 1 support: FAQ, common questions, basic information.",
instructions="""You are the first level of support.
- Answer simple questions (hours, rates, FAQ)
- If the question is technical or complex, transfer to level 2
- Be polite and professional""",
tools=[{"type": "document_library", "library_ids": ["faq-library-id"]}]
)
# Level 2: Technical support
level2 = client.beta.agents.create(
model="mistral-large-latest",
name="support-level2",
description="Technical support: diagnosis, troubleshooting, configuration.",
instructions="""You are technical support.
- Diagnose technical issues
- Propose step-by-step solutions
- If the problem requires manual intervention, transfer to level 3""",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
# Level 3: Human escalation (simulation)
level3 = client.beta.agents.create(
model="mistral-large-latest",
name="support-level3",
description="Escalation: critical issues requiring human intervention.",
instructions="""Prepare a summary of the issue for the technical team:
- Problem context
- Diagnostic steps performed
- Solutions attempted
- Recommendation"""
)
# Chain the escalations
level1 = client.beta.agents.update(agent_id=level1.id, handoffs=[level2.id])
level2 = client.beta.agents.update(agent_id=level2.id, handoffs=[level3.id])
Vynárajú sa dve rozhodnutia. Úroveň 1 beží na modeli mistral-medium-latest, zatiaľ čo nasledujúce úrovne používajú mistral-large-latest. Úroveň 1 absorbuje najväčší objem požiadaviek, takže priradenie najdrahšieho modelu by znamenalo platiť za zbytočnú expertízu pri otázkach týkajúcich sa otváracích hodín. Úroveň 3 medzitým nič nerieši; iba vytvára spis prípadu. Presne to chceš od eskalácie na človeka – inžinier, ktorý preberá úlohu, dostane kontext, už vykonané diagnostické kroky a vyskúšané riešenia, namiesto toho, aby začal vyšetrovanie od nuly.
V praxi zákazník napíše: „Nemôžem sa prihlásiť do svojho účtu.“ Úroveň 1 skontroluje FAQ, nenájde zodpovedajúci prípad a odovzdá úlohu ďalej. Úroveň 2 diagnostikuje problém s databázou, ktorý presahuje jej rozsah, a opäť odovzdá úlohu. Úroveň 3 pripraví ticket s úplnou históriou.
Prípad 2: Pipeline strategickej inteligencie
Tu je poradie pevné a známe vopred: nemôžeš analyzovať to, čo nebolo zhromaždené, ani písať to, čo nebolo analyzované. Lineárny reťazec je preto nevyhnutný a vstupným bodom nie je smerovač, ale prvý článok.
# Collector — searches for raw information
collector = client.beta.agents.create(
model="mistral-large-latest",
name="intelligence-collector",
description="Collects strategic information via web search.",
instructions="""Search for information on the requested topic.
- Cover multiple sources
- Include numerical data
- Note publication dates""",
tools=[{"type": "web_search"}]
)
# Analyst — extracts insights
analyst = client.beta.agents.create(
model="mistral-large-latest",
name="intelligence-analyst",
description="Analyzes and extracts insights from raw data.",
instructions="""Analyze the collected data:
- Identify trends
- Spot opportunities and threats
- Quantify when possible""",
tools=[{"type": "code_interpreter"}]
)
# Reporter — produces the report
reporter = client.beta.agents.create(
model="mistral-large-latest",
name="intelligence-reporter",
description="Writes structured intelligence reports.",
instructions="""Write a professional intelligence report:
## Executive Summary (3 sentences)
## Key Facts (bullet points)
## Analysis (2-3 paragraphs)
## Recommendations (concrete actions)
## Sources"""
)
# Pipeline
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[analyst.id])
analyst = client.beta.agents.update(agent_id=analyst.id, handoffs=[reporter.id])
# Launch
response = client.beta.conversations.start(
agent_id=collector.id,
inputs="Strategic intelligence: sovereign AI market in Europe, Q1 2026."
)
Osnova správy je v pokynoch pre reportéra napísaná čierno na bielom, až po počet viet v exekutívnom zhrnutí. Práve táto úroveň presnosti robí inteligenciu dlhodobo použiteľnou: každá správa vychádza v rovnakom formáte, čo ti umožňuje porovnávať týždeň čo týždeň a distribuovať ich bez úprav. Všimni si aj pokyn pre zberača, aby zaznamenával dátumy publikácie – bez neho môže správa o inteligencii pôsobiť solídne, hoci sa spolieha na zastarané zdroje.
Prípad 3: Univerzálny asistent
Keď požiadavky zahŕňajú nesúvisiace zručnosti, nejde ani o eskaláciu, ani o pipeline; ide o smerovanie. Centrálny smerovač prečíta dopyt a odošle ho jednému zo štyroch špecialistov, z ktorých žiadny nemusí vedieť o ostatných.
# Specialists
web_researcher = client.beta.agents.create(
model="mistral-large-latest",
name="web-researcher",
description="Searches for current information on the internet.",
tools=[{"type": "web_search"}]
)
data_analyst = client.beta.agents.create(
model="mistral-large-latest",
name="data-analyst",
description="Data analysis, statistics, and visualizations.",
tools=[{"type": "code_interpreter"}]
)
doc_expert = client.beta.agents.create(
model="mistral-large-latest",
name="doc-expert",
description="Queries and synthesizes internal documents.",
tools=[{"type": "document_library", "library_ids": ["docs-lib-id"]}]
)
creative = client.beta.agents.create(
model="mistral-large-latest",
name="creative-agent",
description="Creates visual content and illustrations.",
tools=[{"type": "image_generation"}]
)
# Central router
assistant = client.beta.agents.create(
model="mistral-large-latest",
name="research-assistant",
description="Versatile research assistant.",
instructions="""You are a research assistant. Analyze each request and transfer to the appropriate specialist:
- Current information → web-researcher
- Calculations and data → data-analyst
- Questions about our documents → doc-expert
- Need for illustrations → creative-agent""",
handoffs=[web_researcher.id, data_analyst.id, doc_expert.id, creative.id]
)
Každý špecialista má presne jeden nástroj a popisy všetkých štyroch sa nikde neprekrývajú. Práve táto absencia prekryvov zabezpečuje stabilitu smerovania: ak by dve agenti mohli vierohodne vybaviť tú istú požiadavku, voľba by sa menila od jedného spustenia k druhému a tvoji používatelia by zažívali nekonzistentnú kvalitu bez toho, aby chápali prečo.
Čo odlišuje prototyp od systému
Tieto tri systémy zdieľajú rovnaké dizajnové pravidlo: jeden agent, jedna zodpovednosť. Akonáhle agent nahromadí dve role, jeho pokyny si začnú navzájom odporovať a jeho popis sa stane príliš vágny na to, aby sa smerovač mohol správne rozhodnúť. Každý popis preto píš s ohľadom na rozhodnutie, ktoré musí umožniť, a každú sadu pokynov formuluj tak, aby uvádzala nielen to, čo agent musí robiť, ale aj to, čo robiť nesmie.
Prechod do produkcie pridáva štyri požiadavky, ktoré prototyp ignoruje. Po prvé, logovanie: režim klienta ti umožňuje sledovať každé odovzdanie pomocou tvojich vlastných identifikátorov, čo bude tvoja jediná možnosť, keď používateľ nahlási aberrantnú odpoveď. Po druhé, časové limity (timeouts), ktoré sú nevyhnutné pri dlhých reťazcoch, kde zaseknutý článok imobilizuje zvyšok. Po tretie, záložné riešenia (fallbacks), pretože na otázku „čo sa stane, ak tento agent zlyhá?“ musí existovať písomná odpoveď ešte pred spustením, nie až po prvom incidente. Nakoniec, sledovanie nákladov: reťazec troch agentov spotrebúva tokeny pri každom relé a iba počítadlo na úrovni konverzie ti povie, či ťa pipeline strategickej inteligencie stojí pár centov, alebo oveľa viac.
Kľúčové poznatky
- Viacúrovňová zákaznícka podpora je prirodzeným prípadom použitia pre odovzdávanie
- Pipeline inteligencie (zbierať → analyzovať → písať) využívajú lineárne reťazenie
- Univerzálne asistenty používajú centrálny smerovač k špecialistom
- V produkcii sú nevyhnutné: logovanie, časové limity, záložné riešenia a monitorovanie nákladov
- Jeden agent = jedna zodpovednosť, s presným popisom pre smerovanie