Vytvorenie agenta pomocou Python API
Na tejto strane
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_argsriadia generovanie (temperature, top_p, max_tokens)- Agent môže mať súčasne povolených viacero nástrojov
- Agenti sú opakovane použiteľné konfigurácie, nie inštancie konverzácií