Skapa en agent med Python-API:t
På denna sida
Din första Mistral-agent
De tre föregående lektionerna etablerade ordförrådet; denna gång får du fingrarna på tangentbordet. Du kommer att skapa en agent via Python-API:t och successivt berika den med instruktioner, genereringsparametrar och verktyg, för att sedan starta en konversation med den. Upplägget är avsiktligt stegvist: varje tillägg modifierar ett observerbart beteende och visar varför samma metod create() kan producera antingen en generell assistent eller en expert med en låst stil.
Förutsättningar
Installationen sker i två steg. Först installerar du den officiella SDK:n.
pip install mistralai
Därefter gör du din API-nyckel tillgänglig i miljön istället för att hårdkoda den i koden. Att av misstag checka in en nyckel i ett repository är den första säkerhetsincidenten för vilket LLM-projekt som helst.
export MISTRAL_API_KEY="your-api-key"
Därefter bygger du klienten på en enda rad. Detta client-objekt fungerar som ingångspunkt för resten av lektionen.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Skapa en minimal agent
Metoden client.beta.agents.create() tar tre obligatoriska parametrar och flera valfria. Låt oss börja med det absolut nödvändigaste.
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}")
Denna agent är minimalistisk: inga specifika instruktioner, inga verktyg, inga skyddsräcken. Den beter sig som en förbättrad ändpunkt för Chat Completions med beständighet. Notera identifieraren som returneras i agent.id: detta är vad du lagrar på applikationssidan, eftersom det är den enda stabila referensen till denna konfiguration.
Definiera beteende med instruktioner
Instruktioner fungerar som systemprompten och är den främsta hävstången för att styra beteendet. Exemplet nedan transformerar en generell assistent till en juridisk expert vars omfattning, format och gränser är explicit definierade.
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"""
)
Observera strukturen i denna prompt: en rolldefinition i början, följt av numrerade regler. Denna sektionella organisation hjälper modellen att prioritera begränsningar. Var specifik gällande roll, ton och gränser istället för att skriva “var hjälpsam”. Framför allt, förutse kantfall – vad ska agenten göra om frågan faller utanför dess domän? Raden om att söka en advokats åsikt adresserar detta precist. Behandla slutligen instruktioner som kod: du kommer att testa och revidera dem flera gånger innan de producerar det förväntade beteendet.
Styr genereringen
completion_args konfigurerar samplern, det vill säga hur modellen väljer sina ord. En agent som får i uppgift att återge fakta behöver inte samma frihet som en agent för idémyldrning.
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– Sträcker sig från 0,0 (deterministiskt) till 1,0 (kreativt). För faktabaserade uppgifter, föredra 0,1–0,3.top_p– Filtrering av kumulativ sannolikhet. 0,9 är en bra standardinställning.max_tokens– Strikt gräns för utdatatokens.
Utrusta agenten med verktyg
En agent blir verkligen autonom när den kan agera bortom text. Följande konfiguration ger den både webåtkomst och kodexekvering: ställd inför en fråga som jämför dagens räntor kommer den att hämta värdena och beräkna resultatet utan ditt ingripande.
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}
)
Tillgängliga verktyg inkluderar: web_search, web_search_premium, code_interpreter, image_generation, document_library.
Hantera agentens livscykel
Dina agenter är beständiga resurser på Mistral-sidan, och du administrerar dem som vilken annan resurs som helst: hitta dem, modifiera dem, ta bort dem. Listning är särskilt användbar under utveckling, där du snabbt hamnar med dussintals testagenter vars ID:n du har tappat bort.
# 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")
Uppdateringar är partiella: endast de angivna fälten modifieras; de andra förblir som de är. Detta låter dig förfina instruktioner i produktion utan att deklarera om hela konfigurationen.
agent = client.beta.agents.update(
agent_id=agent.id,
instructions="New updated instructions.",
tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)
Borttagning är dock permanent.
client.beta.agents.delete(agent_id=agent.id)
Komplett exempel
Låt oss sätta ihop allt till en fullt fungerande agent: skapande, konversation och läsning av svaret. Du kan använda detta skript som det är; byt bara namn och instruktioner, så har du din egen operativa analytiker på några minuter.
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)
Den sista loopen förtjänar lite uppmärksamhet: den itererar över response.outputs istället för att läsa ett enskilt fält eftersom en agent utrustad med verktyg producerar flera poster – först sökexekveringen, sedan texten. Detta är nyckelpunkten att hålla utkik efter i nästa lektion.
Viktiga punkter
client.beta.agents.create()skapar en agent med modell, namn och beskrivning (obligatoriskt)- Instruktioner definierar beteende – detta är den främsta hävstången
completion_argsstyr genereringen (temperature, top_p, max_tokens)- En agent kan ha flera verktyg aktiverade samtidigt
- Agenter är återanvändbara konfigurationer, inte konversationsinstanser