Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Ustvari agenta s Python API-jem

Lekcija 4 od 18 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Tvoj prvi Mistralov agent
  2. Predpogoji
  3. Ustvari minimalnega agenta
  4. Opredeli vedenje z navodili
  5. Nadzoruj generiranje
  6. Opremi agenta z orodji
  7. Upravljaj življenjski cikel agenta
  8. Celoten primer
  9. Ključne ugotovitve

Tvoj prvi Mistralov agent

Prejšnje tri lekcije so vzpostavile besedišče; ta ti omogoča, da dejansko primeš za tipkovnico. Ustvaril boš agenta prek Python API-ja, ga postopoma obogatil z navodili, parametri generiranja in orodji ter nato z njim začel pogovor. Napredovanje je namerno inkrementalno: vsak dodatek spremeni opazno vedenje, kar ti pokaže, zakaj lahko ista metoda create() ustvari bodisi splošnega pomočnika bodisi strokovnjaka z zaklenjenim slogom.

Predpogoji

Namestitev zahteva dva koraka. Najprej uradni SDK.

pip install mistralai

Nato svoj API ključ naredi dostopnega v okolju, namesto da bi ga trdo kodiral v kodo. Naključno objavljanje ključa v repozitorij je prva varnostna incidenta pri vsakem projektu LLM.

export MISTRAL_API_KEY="your-api-key"

Nato odjemalca zgradiš v eni sami vrstici. Ta predmet client služi kot vstopna točka za preostanek lekcije.

from mistralai.client import Mistral
import os

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

Ustvari minimalnega agenta

Metoda client.beta.agents.create() sprejme tri obvezne parametre in več izbirnih. Začnimo z absolutnim minimumom.

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}")

Ta agent je minimalističen: brez specifičnih navodil, brez orodij, brez varoval. Obnaša se kot izboljšana končna točka Chat Completions s trajnostjo. Opazi identifikator, vrnjen v agent.id: to je tisto, kar shraniš na strani aplikacije, saj je edina stabilna referenca na to konfiguracijo.

Opredeli vedenje z navodili

Navodila delujejo kot sistemski poziv in so glavni vzvod za nadzor vedenja. Spodnji primer pretvori splošnega pomočnika v pravnega strokovnjaka, katerega obseg, format in omejitve so izrecno določeni.

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"""
)

Opazuj strukturo tega poziva: na začetku je opredelitev vloge, ki ji sledijo oštevilčena pravila. Ta sectionalna organizacija pomaga modelu pri določanju prioritet omejitev. Bodite specifični glede vloge, tona in omejitev, namesto da pišete „bodi koristen”. Predvsem predvidi robne primere – kaj naj agent stori, če vprašanje spada zunaj njegovega področja? Vrstica o iskanju mnenja odvetnika to naslavlja natančno. Nazadnje, obravnavaj navodila kot kodo: testiral in jih revidiral boš večkrat, preden bodo proizvedla pričakovano vedenje.

Nadzoruj generiranje

completion_args konfigurirajo vzorčevalnik, kar pomeni, kako model izbira svoje besede. Agent, zadolžen za ponovno navajanje dejstev, ne potrebuje iste svobode kot agent za možgansko nevihto.

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 – Giblje se od 0,0 (deterministično) do 1,0 (ustvarjalno). Za faktografske naloge raje izberi 0,1–0,3.
  • top_p – Filtriranje kumulativne verjetnosti. 0,9 je dobra privzeta vrednost.
  • max_tokens – Stroga omejitev izhodnih žetonov.

Opremi agenta z orodji

Agent postane resnično avtonomen, ko lahko deluje onkraj besedila. Naslednja konfiguracija mu omogoča dostop do spleta in izvajanje kode: soočen z vprašanjem, ki primerja današnje tečaje, bo pridobil vrednosti in izračunal rezultat brez tvojega posredovanja.

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}
)

Razpoložljiva orodja vključujejo: web_search, web_search_premium, code_interpreter, image_generation, document_library.

Upravljaj življenjski cikel agenta

Tvoji agenti so trajni viri na strani Mistrala in upravljal jih boš kot vsak drug vir: iskal jih boš, spreminjal, brisal. Izpisovanje je še posebej koristno med razvojem, kjer hitro končaš z ducati testnih agentov, katerih ID-je si izgubil.

# 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")

Posodobitve so delne: spremenjena so le navedena polja; ostala ostanejo takšna, kot so. To ti omogoča, da izpopolniš navodila v proizvodnem okolju, ne da bi znova deklariral celotno konfiguracijo.

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

Brisanje pa je trajno.

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

Celoten primer

Združimo vse skupaj v popolnoma funkcionalnega agenta: ustvarjanje, pogovor in branje odgovora. Ta skripta lahko uporabiš takšno, kot je; samo spremeni ime in navodila ter boš v nekaj minutah imel svojega operativnega analitika.

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)

Končna zanka si zasluži trenutek pozornosti: iterira čez response.outputs namesto branja enega samega polja, ker agent z orodji proizvede več vnosov – izvedbo iskanja, nato besedilo. To je ključna točka, na katero moraš biti pozoren v naslednji lekciji.

Ključne ugotovitve

  • client.beta.agents.create() ustvari agenta z modelom, imenom in opisom (obvezno)
  • Navodila opredeljujejo vedenje – to je glavni vzvod
  • completion_args nadzorujejo generiranje (temperature, top_p, max_tokens)
  • Agent ima lahko hkrati omogočenih več orodij
  • Agenti so konfiguracije za večkratno uporabo, ne primerki pogovorov