Mistral

Die Mistral-Integration bietet MistralChatClient für Chat-Agenten und MistralEmbeddingClient für Text-Embeddings im Agent Framework für Python.

Installiere das Paket

pip install agent-framework-mistral --pre

Konfiguration

MISTRAL_API_KEY="<api-key>"
MISTRAL_CHAT_MODEL="mistral-small-latest"
MISTRAL_EMBEDDING_MODEL="mistral-embed"
# Optional compatible endpoint:
MISTRAL_SERVER_URL="<server-url>"

Sie können model, api_key und server_url auch direkt an einen der beiden Clients übergeben.

Konfigurieren Sie Transporteinstellungen auf dem Client. Agent Framework lehnt server_url, http_headers, retries und timeout_ms ab, wenn Sie sie pro Aufruf über options oder zusätzliche Schlüsselwortargumente übergeben. Generierungsoptionen bleiben pro Anruf verfügbar.

Erstellen eines Chat-Agents

Erstellen Sie eine Agent mit MistralChatClient. Der Client liest den API-Schlüssel und das Chatmodell aus den Umgebungsvariablen aus, die im vorherigen Abschnitt gezeigt werden.

import asyncio

from agent_framework import Agent
from agent_framework.mistral import MistralChatClient


async def main() -> None:
    client = MistralChatClient()
    try:
        agent = Agent(
            client=client,
            instructions="You are a helpful assistant.",
        )
        response = await agent.run("How many days are in a week?")
        print(response.text)
    finally:
        await client.close()


asyncio.run(main())

Das ausgewählte Mistral-Modell bestimmt, welche modellbezogenen Funktionen verfügbar sind.

Chatfunktionen

MistralChatClient unterstützt die folgenden Agent Framework-Features:

Ein ausgeführtes Funktionstool und ein Streamingbeispiel finden Sie im Mistral-Agent-Beispiel.

Einbettungen generieren

Erstellen Sie den Client und rufen Sie get_embeddings() auf.

async def basic_embedding_example() -> None:
    """Generate embeddings for a list of texts."""
    print("=== Basic Embedding Generation ===")

    # 1. Create the embedding client using environment-based configuration.
    client = MistralEmbeddingClient()

    # 2. Generate embeddings for multiple texts.
    texts = ["Hello, world!", "How are you?", "Agent Framework with Mistral AI"]
    try:
        result = await client.get_embeddings(texts)

        # 3. Print the generated vectors and usage metadata.
        print(f"Generated {len(result)} embeddings")
        for i, embedding in enumerate(result):
            print(f"  Text {i + 1}: dimensions={embedding.dimensions}, vector={embedding.vector[:5]}...")

        if result.usage:
            print(
                f"  Usage: {result.usage['input_token_count']} input tokens, "
                f"{result.usage['total_token_count']} total tokens"
            )
    finally:
        await client.close()


async def embedding_with_options_example() -> None:
    """Generate embeddings with custom dimensions."""
    print("\n=== Embedding with Custom Dimensions ===")

    from agent_framework.mistral import MistralEmbeddingOptions

    # Only some models support a custom output dimension (e.g. codestral-embed; mistral-embed does not).
    client = MistralEmbeddingClient(model="codestral-embed")

    options: MistralEmbeddingOptions = {"dimensions": 256}

Verwenden Sie MistralEmbeddingOptions, um eine unterstützte Ausgabedimension anzufordern. Sie können auch festlegen MISTRAL_SERVER_URL , wenn die Anwendung einen benutzerdefinierten kompatiblen Endpunkt verwendet.

Tools

MistralChatClient unterstützt lokal aufgerufene Funktionstools und die Agent Framework-Funktionsaufrufschleife. Das ausgewählte Modell muss Funktionsaufrufe unterstützen.

Nächste Schritte