Príklady praktického využitia režimu JSON
Na tejto strane
Aktualizované 3. novembra 2026: Predchádzajúci príklad v TypeScrite importoval
Mistralako predvolený export, no SDK poskytuje iba pomenovaný export (import { Mistral } from "@mistralai/mistralai"). Tiež natvrdo kódoval API kľúč a vynútil typ poľacontentpomocou!, čo nestačí, keďže toto pole môže byť aj zoznamom chunkov. Overené kompiláciou so SDK 3.5.0 a TypeScript 7.0.2. Zdroj: Mistral TypeScript SDK.
Nasadenie režimu JSON do praxe
Už vieš, ako povoliť režim JSON; teraz sa pozrime na konkrétne príklady. Tri scenáre sa v reálnych projektoch objavujú neustále a každý ilustruje iný spôsob využitia tohto režimu. Kód je uvedený v Pythone, s ekvivalentmi v TypeScrite tam, kde nie je prevod okamžitý.
Extrakcia entít z neštruktúrovaného textu
Extrakcia entít je najčastejším a nákladovo najefektívnejším prípadom použitia: obchodný e-mail obsahuje úplné kontaktné údaje, no tie sú ukryté v podpise a zdvorilostných frázach. Kľúčovým pokynom v nasledujúcom príklade je posledný riadok systémového promptu – požiadavka na hodnotu null pri chýbajúcich informáciách zabraňuje modelu vymyslieť si telefónne číslo len preto, aby vyplnil pole.
from mistralai.client import Mistral
import json
client = Mistral(api_key="your-api-key")
email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
},
{"role": "user", "content": email_text}
],
response_format={"type": "json_object"},
temperature=0
)
contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")
Očakávaný výstup:
{
"name": "Marie Dupont",
"title": "Sales Director",
"company": "TechVision SAS",
"phone": "06 12 34 56 78",
"email": "[email protected]",
"address": "42 rue de la Paix, 75002 Paris"
}
Klasifikácia podporných ticketov
Klasifikácia si vyžaduje odlišný prístup: namiesto toho, aby si model vybral vlastné hodnoty, v prompte vymenuješ povolené hodnoty pre každé pole. To zabezpečí porovnateľnosť výsledkov od jedného ticketu k druhému a ich priamu použiteľnosť na smerovanie. Všimni si prechod na mistral-small-latest – na triedenie ticketov nie je potrebné používať najvýkonnejší model.
tickets = [
"My payment was charged twice, I demand an immediate refund!",
"How can I change my password?",
"Your app crashes every time I open the settings tab.",
]
for ticket in tickets:
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "system",
"content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
},
{"role": "user", "content": ticket}
},
response_format={"type": "json_object"},
temperature=0
)
result = json.loads(response.choices[0].message.content)
print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")
Tu je rovnaký klasifikátor v TypeScrite. Kontrola pred JSON.parse nám pripomína, že SDK typuje content ako voliteľné a ako string | ContentChunk[]: parsovať možno iba reťazec.
import { Mistral } from "@mistralai/mistralai";
const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });
const ticket = "My payment was charged twice!";
const response = await client.chat.complete({
model: "mistral-small-latest",
messages: [
{
role: "system",
content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
},
{ role: "user", content: ticket },
],
responseFormat: { type: "json_object" },
temperature: 0,
});
const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);
Prevod popisu na produktový list
Tretí scenár: transformácia marketingového textu na záznam pripravený pre databázu. Táto úloha je zložitejšia, pretože záleží na typoch – cena musí prísť ako číslo, doba dodania ako dve celé čísla a doprava zdarma ako boolean. Preto sú v prompte použité presné anotácie.
product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
},
{"role": "user", "content": product_text}
],
response_format={"type": "json_object"},
temperature=0
)
product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))
Výsledok:
{
"name": "MacBook Pro 16-inch",
"brand": "Apple",
"price_eur": 2799,
"specs": {
"ram_gb": 24,
"storage_gb": 512,
"screen": "Liquid Retina XDR"
},
"colors": ["Space Black", "Silver"],
"delivery_days_min": 3,
"delivery_days_max": 5,
"free_shipping": true
}
Všimni si, že značka Apple sa v zdrojovom texte nikde nevyskytuje: model ju odvodil z názvu produktu. Je to silná stránka pre obohatenie dát, no riziko, ktoré treba monitorovať, ak vyžaduješ striktne doslovnú extrakciu.
Spracovanie viacerých položiek v jednom volaní
Nič ťa nenúti robiť jedno volanie na jednu položku. Požiadaním modelu o zoznam pod jediným kľúčom znížiš počet požiadaviek – a tým aj kumulatívnu latenciu – pri krátkych úlohách, ako je analýza recenzií. Požadované skóre sa tu pohybuje od -1,0 do 1,0, čo je užitočná konvencia pre následnú agregáciu výsledkov.
texts = [
"Excellent product, I recommend it!",
"Late delivery, damaged product.",
"Decent for the price, nothing exceptional."
]
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "system",
"content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
},
{"role": "user", "content": "\n---\n".join(texts)}
],
response_format={"type": "json_object"},
temperature=0
)
reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")
Jeden detail spoločný pre všetky tieto príklady si zaslúži zdôraznenie: temperature=0 je tu systematické. Pri úlohách extrakcie a klasifikácie kreativita nič nepridáva a stojí reprodukovateľnosť.
Kľúčové poznatky
- Režim JSON vyniká pri extrakcii dát, klasifikácii a konverzii
- Použi systémový prompt na definovanie očakávanej štruktúry a typov
temperature=0zabezpečuje reprodukovateľné výsledky- Dávkové spracovanie v jednej požiadavke je možné vyžiadaním si zoznamu JSON
- Pred prístupom k dátam vždy parsuj odpoveď pomocou
json.loads()/JSON.parse()