Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Vytvorenie agenta pomocou Python API

Lekcia 4 z 18 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Tvoj prvý agent Mistral
  2. Predpoklady
  3. Vytvorenie minimálneho agenta
  4. Definovanie správania pomocou inštrukcií
  5. Kontrola generovania
  6. Vybavenie agenta nástrojmi
  7. Správa životného cyklu agenta
  8. Kompletný príklad
  9. Kľúčové poznatky

Tvoj prvý agent Mistral

Predchádzajúce tri lekcie ti dali potrebnú slovnú zásobu; táto ťa dostane priamo ku klávesnici. Vytvoríš agenta cez Python API, postupne ho obohatíš o inštrukcie, parametre generovania a nástroje a následne s ním spustíš konverzáciu. Postup je zámerne inkrementálny: každý prídavok mení pozorovateľné správanie, čím ti ukáže, prečo tá istá metóda create() dokáže vytvoriť buď všeobecného asistenta, alebo experta s pevne daným štýlom.

Predpoklady

Inštalácia pozostáva z dvoch krokov. Najprv oficiálne SDK.

pip install mistralai

Ďalej sprístupni svoj API kľúč v prostredí namiesto toho, aby si ho natvrdo zakódoval priamo v kóde. Náhodné commitnutie kľúča do repozitára je prvým bezpečnostným incidentom pre akýkoľvek projekt s LLM.

export MISTRAL_API_KEY="your-api-key"

Následne vytvoríš klienta v jednom riadku. Tento objekt client slúži ako vstupný bod pre zvyšok lekcie.

from mistralai.client import Mistral
import os

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

Vytvorenie minimálneho agenta

Metóda client.beta.agents.create() vyžaduje tri parametre a ponúka niekoľko voliteľných. Začnime úplným minimom.

agent = client.beta.agents.create(
    model="mistral-medium-latest",
    name="Simple Assistant",
    description="A conversational agent with persistent state."
)

print(f"Agent created: {agent.id}")

Tento agent je minimalistický: žiadne špecifické inštrukcie, žiadne nástroje, žiadne ochranné mechanizmy. Správa sa ako vylepšený koncový bod Chat Completions s perzistenciou. Všimni si identifikátor vrátený v agent.id: toto je hodnota, ktorú uložíš na strane aplikácie, pretože ide o jedinú stabilnú referenciu na túto konfiguráciu.

Definovanie správania pomocou inštrukcií

Inštrukcie fungujú ako systémový prompt a sú hlavným pákou na ovládanie správania. Nasledujúci príklad transformuje všeobecného asistenta na právneho experta, ktorého rozsah, formát a limity sú explicitne ohraničené.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Legal Expert",
    description="Agent specialized in French business law.",
    instructions="""You are an expert in French business law.

Rules:
- Always respond in French
- Cite relevant legal articles
- Specify when a question requires a lawyer's opinion
- Structure your responses with headings and lists
- Never give definitive legal advice"""
)

Všimni si štruktúru tohto promptu: na začiatku definícia roly, po ktorej nasledujú číslované pravidlá. Táto sekcionálna organizácia pomáha modelu uprednostniť obmedzenia. Buď konkrétny ohľadom roly, tónu a limitov namiesto písania „buď nápomocný“. Predovšetkým anticipuj hraničné prípady – čo má agent robiť, ak otázka spadne mimo jeho doménu? Riadok o vyhľadaní názoru právnika toto rieši presne. Nakoniec zaobchádzaj s inštrukciami ako s kódom: budeš ich viackrát testovať a revidovať, kým nebudú produkovať očakávané správanie.

Kontrola generovania

Parametre completion_args konfigurujú vzorkovač, teda spôsob, akým model vyberá svoje slová. Agent poverený opätovným uvedením faktov nepotrebuje rovnakú mieru voľnosti ako agent určený na brainstorming.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Precise Agent",
    description="Agent with controlled generation parameters.",
    instructions="Respond factually and concisely.",
    completion_args={
        "temperature": 0.2,    # Less creativity, more precision
        "top_p": 0.9,          # Probability nucleus
        "max_tokens": 2048     # Response length limit
    }
)
  • temperature – Rozsah od 0,0 (deterministické) po 1,0 (kreatívne). Pre faktické úlohy uprednostni 0,1–0,3.
  • top_p – Filtrovanie kumulatívnej pravdepodobnosti. 0,9 je dobrá predvolená hodnota.
  • max_tokens – Prísny limit na výstupné tokeny.

Vybavenie agenta nástrojmi

Agent sa stáva skutočne autonómnym, keď dokáže konať aj mimo text. Nasledujúca konfigurácia mu poskytuje prístup na web aj vykonávanie kódu: keď čelí otázke porovnávajúcej dnešné sadzby, stiahne hodnoty a vypočíta výsledok bez tvojho zásahu.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Research Agent",
    description="Agent with web search and code execution.",
    instructions="Use web search for current information and code for calculations.",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Dostupné nástroje zahŕňajú: web_search, web_search_premium, code_interpreter, image_generation, document_library.

Správa životného cyklu agenta

Tvoji agenti sú perzistentné zdroje na strane Mistral a budeš ich spravovať ako akýkoľvek iný zdroj: nájdeš ich, upravíš, vymažeš. Výpis je obzvlášť užitočný počas vývoja, keď rýchlo skončíš s desiatkami testovacích agentov, ktorých ID si stratil.

# List all your agents
agents = client.beta.agents.list()
for a in agents.data:
    print(f"{a.name} ({a.id})")

# Retrieve an agent by its ID
agent = client.beta.agents.get(agent_id="ag-xxxxxxxx")

Aktualizácie sú čiastočné: upravia sa len poskytnuté polia; ostatné zostanú nezmenené. To ti umožňuje v produkčnom prostredí spresňovať inštrukcie bez opätovného deklarovania celej konfigurácie.

agent = client.beta.agents.update(
    agent_id=agent.id,
    instructions="New updated instructions.",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

Vymazanie je však trvalé.

client.beta.agents.delete(agent_id=agent.id)

Kompletný príklad

Poďme to všetko spojiť do plne funkčného agenta: vytvorenie, konverzácia a čítanie odpovede. Tento skript môžeš použiť tak, ako je; stačí zmeniť názov a inštrukcie a o pár minút budeš mať vlastného operatívneho analytika.

from mistralai.client import Mistral
import os

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

# Create the agent
agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Tech Analyst",
    description="Analyzes technology trends with web sources.",
    instructions="""You are a technology analyst.
- Use web search for recent data
- Always cite your sources
- Structure your analyses into key points""",
    tools=[{"type": "web_search"}],
    completion_args={"temperature": 0.3}
)

# Start a conversation
response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="What are the latest advancements in agentic AI in 2026?"
)

# Display the response
for entry in response.outputs:
    if hasattr(entry, "content"):
        print(entry.content)

Záverečná slučka si zaslúži chvíľu pozornosti: iteruje cez response.outputs namiesto čítania jedného poľa, pretože agent vybavený nástrojmi produkuje viacero záznamov – najprv vykonanie vyhľadávania, potom text. Toto je kľúčový bod, na ktorý sa zameriame v nasledujúcej lekcii.

Kľúčové poznatky

  • client.beta.agents.create() vytvára agenta s modelom, názvom a popisom (povinné)
  • Inštrukcie definujú správanie – toto je hlavná páka
  • completion_args riadia generovanie (temperature, top_p, max_tokens)
  • Agent môže mať súčasne povolených viacero nástrojov
  • Agenti sú opakovane použiteľné konfigurácie, nie inštancie konverzácií