Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Príklady praktického využitia režimu JSON

Lekcia 5 z 12 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Nasadenie režimu JSON do praxe
  2. Extrakcia entít z neštruktúrovaného textu
  3. Klasifikácia podporných ticketov
  4. Prevod popisu na produktový list
  5. Spracovanie viacerých položiek v jednom volaní
  6. Kľúčové poznatky

Aktualizované 3. novembra 2026: Predchádzajúci príklad v TypeScrite importoval Mistral ako predvolený export, no SDK poskytuje iba pomenovaný export (import { Mistral } from "@mistralai/mistralai"). Tiež natvrdo kódoval API kľúč a vynútil typ poľa content pomocou !, 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=0 zabezpečuje 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()