Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Agenter kontra chattbotar: När behöver du en agent?

Lektion 2 av 18 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. En chattbot räcker inte alltid
  2. Chat Completions – Den klassiska modellen
  3. Agents API – Den autonoma modellen
  4. När ska du byta till agenter?
  5. Komplexitetsspektrumet
  6. Jämförande exempel
  7. Kostnad och latens
  8. Viktiga punkter

En chattbot räcker inte alltid

Du har sannolikt redan använt Mistral Chat Completions API för att bygga konversationsassistenter. För många användningsfall är detta mer än tillräckligt. Frestelsen att byta allt till agenter bara för att tekniken är nyare kan bli kostsam, både vad gäller latens och tokenanvändning. Vissa uppgifter kräver dock mer än ett enkelt textsvar. Denna lektion ger dig beslutsunderlaget: hur du känner igen situationer där ett anrop till chat.complete() räcker, och de fall som verkligen motiverar ett byte till Agents API.

Chat Completions – Den klassiska modellen

Med chat.complete() skickar du en lista med meddelanden och får ett svar tillbaka. Mekanismen är tillståndslös: modellen har inget minne mellan anropen, och du måste återskapa historiken för varje begäran.

from mistralai.client import Mistral

client = Mistral(api_key="your-key")

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "What is the capital of France?"}
    ]
)
print(response.choices[0].message.content)

Detta mönster är fortfarande det rätta valet för enkel fråga-och-svar, generell textgenerering (sammanfattningar, översättningar, skrivande), klassificering, informationsutvinning och engångsanrop av funktioner. Dessa uppgifter delar en gemensam nämnare: de är text-till-text-transformeringar som löses i ett enda resonemangspass, utan att modellen behöver hämta något från omvärlden.

Agents API – Den autonoma modellen

Med Agents API skapar du en beständig agent utrustad med instruktioner, verktyg och beteende som definieras en gång för alla. Agenten behåller sitt tillstånd över konversationer och kan agera autonomt.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Research Assistant",
    instructions="You are a research assistant. Use web search to answer with sources.",
    tools=[{"type": "web_search"}]
)

När ska du byta till agenter?

Varje ett av följande tecken motiverar ett byte. Det vanligaste är behovet av verktyg: så snart din assistent måste söka på webben, köra kod eller fråga ett dokumentarkiv, tvingar Chat Completions dig att själv koppla ihop exekveringen. Därefter kommer beständighet av tillstånd: om du vill att modellen ska komma ihåg tidigare utbyten utan att du skickar hela tråden på nytt vid varje begäran, hanterar agenten detta inbyggt. Antalet steg är lika viktigt: ett svar som kräver en kedja av resonemang med mellanliggande åtgärder innebär en loop, och Agents API implementerar just den loopen. Flera specialiteter pekar åt samma håll: en finansiell agent som delegerar till en webbsökningsagent och sedan till en beräkningsagent faller under orkestrering av flera agenter. Tänk slutligen på exekveringsmiljön – med agenter körs verktygen i Mistral-molnet, inte på din egen infrastruktur.

Å andra sidan, håll fast vid en klassisk chattbot om uppgiften är en enkel text-till-text-transformering, om du redan hanterar historik på klientsidan på ett sätt som passar dig, om inga inbyggda verktyg behövs och om ett enda resonemangspass räcker för att producera det förväntade svaret.

Komplexitetsspektrumet

Det hjälper att se dessa val som ett kontinuum snarare än ett binärt alternativ. På första nivån, enkel chatt: en fråga, ett svar, via Chat Completions. På andra nivån, chatt med verktyg: frågan utlöser ett funktionsanrop innan svaret ges, fortfarande med Chat Completions och funktionsanrop. På tredje nivån, den enskilda agenten: begäran leder till planering, sedan flera åtgärder, sedan ett svar – detta är Agents API:s domän. På fjärde nivån, flera agenter: en router-agent distribuerar begäran till specialiserade agenter vars utdata sedan syntetiseras, vilket kräver Agents API och överlämningar.

Regeln som härrör från detta spektrum är enkel: använd den enklaste nivån som tillgodoser ditt behov. Distribuera inte ett system med flera agenter för att svara på vanliga frågor (FAQ).

Jämförande exempel

Skillnaden blir tydligare med ett konkret exempel. Med Chat Completions hanterar du allt manuellt, och modellen är begränsad till sin träningsdata.

# You manage everything manually
messages = [{"role": "user", "content": "What is the weather in Paris?"}]
response = client.chat.complete(model="mistral-large-latest", messages=messages)
# The model CANNOT search the web—it hallucinates or says it doesn't know

Med en agent utrustad med webbsökning utlöser samma fråga en riktig sökning och ett svar med källhänvisningar, utan att du skriver en enda rad orchestreringskod.

# The agent has access to web search
agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Weather Agent",
    instructions="Answer weather questions using web search.",
    tools=[{"type": "web_search"}]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="What is the weather in Paris?"
)
# The agent automatically searches the web and cites its sources

Kostnad och latens

Denna kraft har ett pris, och du måste förutse det innan produktionssättning. Latensen ökar eftersom agenten kan utföra flera interna varv – sökning, sedan resonemang, sedan utkast – medan Chat Completions bara utför ett. Tokenanvändningen ökar också, eftersom systeminstruktioner och konversationskontext skickas tillbaka till modellen vid varje varv. Slutligen sparas konversationer på Mistral-sidan, ett beteende du kan inaktivera med store=False om dina integritetskrav kräver det.

Denna overhead är fullt motiverad när uppgiften kräver det. För en enkel FAQ-chattbot är det inte så: håll dig till Chat Completions.

Viktiga punkter

  • Chat Completions är tillståndslöst och tillräckligt för enkla uppgifter
  • Agents API lägger till beständighet, inbyggda verktyg och orkestrering av flera agenter
  • Använd alltid den lägsta komplexitetsnivån som tillgodoser ditt behov
  • Ett byte till agenter är motiverat när du behöver verktyg, beständighet eller flera agenter