Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Resonemang i agenter och konversationer

Lektion 4 av 12 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Tre sätt att anropa en resonemangsmodell
  2. En agent som resonerar
  3. Läsa utdata från konversationer
  4. En konversation utan en agent
  5. Resonemang och verktyg
  6. Jämförelse av de tre metoderna
  7. Bästa praxis för integration
  8. Viktiga punkter

Lektionen omskriven den 2 november 2026 för Mistral Small 4 och Large 4. Enligt Mistrals dokumentation är reasoning_effort tillgängligt på slutpunkterna för Agents och Conversations inom fältet completion_args. Källor: Reasoning · Python SDK — Conversations.

Tre sätt att anropa en resonemangsmodell

Tidigare lektioner använde Chat Completions API: du skickade hela historiken vid varje anrop, och reasoning_effort placerades direkt i begäran. Mistral erbjuder två andra gränssnitt: Agents API, som sparar en återanvändbar konfiguration (modell, instruktioner, verktyg, parametrar), och Conversations API, som behåller historiken på servern. I dessa två API:er ställer du inte in resonemanget på toppnivå; du nästlar det istället inuti completion_args tillsammans med andra generationsparametrar.

En agent som resonerar

Att ställa in resonemangsnivån i agentdefinitionen undviker att du behöver upprepa den vid varje anrop och säkerställer att hela ditt team använder samma inställning:

import os
from mistralai.client import Mistral

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

agent = client.beta.agents.create(
    model="mistral-small-2603",
    name="Financial Analyst",
    instructions=(
        "You analyze financial situations for SMEs. "
        "End every response with a quantified recommendation and its assumptions."
    ),
    completion_args={"reasoning_effort": "high"},
)

reponse = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Our working capital requirement has doubled in a year while revenue grew by 15%. What should we look at first?",
)

Läsa utdata från konversationer

En konversation returnerar inte choices; den returnerar en lista med poster (outputs). Modellens svar finns i poster av typen message.output. Precis som med Chat Completions är innehållet antingen en sträng eller en lista med chunkar som kan inkludera en ThinkChunk. Funktionen separer från lektion 3 fungerar exakt som tidigare:

for entry in reponse.outputs:
    if entry.type == "message.output":
        reflexion, texte = separer(entry.content)
        print(texte)

Andra poster beskriver vad som hände under svaret, såsom verktygsexekvering (tool.execution) eller ett funktionsanrop. Ignorera dem om du bara är intresserad av det slutgiltiga svaret.

En konversation utan en agent

För engångsuppgifter accepterar Conversations API en modell direkt, utan någon tidigare agentkonfiguration. Servern behåller historiken, och du fortsätter utbytet med conversations.append, där du vid behov justerar resonemangsnivån för ett specifikt svar:

conv = client.beta.conversations.start(
    model="mistral-large-4-0",
    inputs="Propose a migration plan for a 2 TB PostgreSQL database with zero downtime.",
    completion_args={"reasoning_effort": "high"},
)

suite = client.beta.conversations.append(
    conversation_id=conv.conversation_id,
    inputs="Summarize this plan in five steps for executive leadership.",
    completion_args={"reasoning_effort": "low"},   # a summary doesn't need deep reflection
)

Detta är en konkret fördel jämfört med Chat Completions, där dokumentationen kräver att du spelar upp assistentens hela meddelande, inklusive reflektion, vid varje nytt svar (lektion 7). Med Conversations API behåller servern historiken; du behöver inte skicka om den vid varje anrop.

Resonemang och verktyg

En agent kan kombinera resonemang och verktyg: tools och completion_args är oberoende fält när du skapar en agent. En analysagent kan således ha webbsökning och djupt resonemang:

agent_veille = client.beta.agents.create(
    model="mistral-small-2603",
    name="Competitive Intelligence",
    instructions="You compare competitor offers using cited public sources.",
    tools=[{"type": "web_search"}],
    completion_args={"reasoning_effort": "high"},
)

Håll dock koll på kostnaderna: reflektion och verktygsanrop adderas snabbt på fakturan för ett enda svar.

Jämförelse av de tre metoderna

KriteriumChat CompletionsAgentsConversations
Var resonemanget ställs inreasoning_effort i begärancompletion_args i agentencompletion_args i start eller append
HistorikSkickas om vid varje anrop, inklusive reflektionBärs av konversationenBehålls på servern
Inbyggda verktyg (web_search…)NejJaJa
Typisk användningEngångsanrop, full kontrollDelad, återanvändbar konfigurationUtbyten över flera svar

Bästa praxis för integration

Ställ in resonemangsnivån i agenten när uppgiften är enhetlig, och per svar när den varierar: ett första analyssteg på high, följt av omformuleringar på low eller none, beroende på modell. Kontrollera att värdet passar agentens modell: Small 4 accepterar high och none; Large 4 accepterar low, medium och high. Logga slutligen tokenanvändningen per svar; det är det enda sättet att veta om resonemanget lönar sig för ditt användningsfall.

Viktiga punkter

  • I Agents- och Conversations-API:erna skickar du reasoning_effort inuti completion_args
  • Svaren anländer i outputs; texten finns i poster av typen message.output, inklusive reflektion
  • Conversations API behåller historiken på servern: inget behov av att skicka om den vid varje svar
  • Du kan ändra nivån vid varje svar med conversations.append
  • En agent kan kombinera inbyggda verktyg och resonemang, till priset av kumulerad användning