跳到主内容

Agent

什么是 AI Agent？​

AI Agent 是由大型语言模型（LLM）驱动的自主系统，它们可以根据高级指令进行规划、使用工具、执行处理步骤并采取行动以实现特定目标。这些 Agent 利用先进的自然语言处理能力来高效理解和执行复杂任务，甚至可以相互协作以实现更复杂的成果。

创建 Agent​

我们提供两种主要的创建 Agent 的方法

  • La Plateforme Agent builder：用户可以使用 La Plateforme 上提供的用户友好界面来创建和配置他们的 Agent。

  • Agent API：对于开发者，我们提供 Agent API 作为使用 Agent 的编程方式。此方法非常适合需要将 Agent 创建集成到其现有工作流程或应用程序中的开发者。

La Plateforme Agent builder​

要开始构建您自己的 Agent，请访问 https://console.mistral.ai/build/agents/new。

drawing

以下是用于定制 Agent 的可用选项

  • 模型：您希望 Agent 使用的特定模型。默认为 "Mistral Large 2" (mistral-large-2407)。其他模型选择包括 "Mistral Nemo" (open-mistral-nemo)、"Codestral" (codestral-2405) 和您的微调模型。
  • 温度：使用的采样温度，介于 0.0 到 1.0 之间。较高的值会使输出更随机，而较低的值会使其更集中和确定。
  • 指令（可选）：指令允许您在所有对话和消息中强制执行模型行为。
  • 示例（可选）：可以添加少样本学习示例，以帮助指导 Agent 理解您希望它表现出的特定行为。您可以通过向模型展示一些输入和输出示例来提高性能。
  • 部署：部署后，您将能够通过 API 使用 agent_id 调用 Agent，您还可以切换选项以在 Le Chat 上与相应的 Agent 进行聊天。

Agent API​

创建 Agent​

即将推出

使用 Agent​

import os
from mistralai import Mistral

api_key = os.environ["MISTRAL_API_KEY"]

client = Mistral(api_key=api_key)

chat_response = client.agents.complete(
    agent_id="ag:3996db2b:20240805:french-agent:a8997aab",
    messages=[
        {
            "role": "user",
            "content": "What is the best French cheese?",
        },
    ],
)
print(chat_response.choices[0].message.content)


注意
  • Typescript：请注意，在客户端存储密钥（如 API 密钥，例如 process.env.MISTRAL_API_KEY）是危险的，可能导致密钥泄露。

用例​

用例 1：法语 Agent

您可以创建一个只说法语的 Agent。您需要使用特定的指令设置 Agent，并使用少样本学习来确保它理解只使用法语交流的要求。

以下是使用 La Plateforme Agent builder 创建此 Agent 的示例。

drawing
用例 2：Python Agent

您可以创建一个只输出 Python 代码而不带任何解释的 Agent。这对于需要生成可轻松复制粘贴的代码片段，且不需要模型通常提供的额外解释文本时非常有用。

以下是使用 La Plateforme Agent builder 创建此 Agent 的示例。

drawing
用例 3：Python Agent 工作流程
drawing

您可以在助理编码工作流程中使用我们在用例 2 中创建的 Python Agent。例如，这是一个非常简单的 Python Agent 工作流程，包含以下步骤：

  1. 用户查询

流程始于用户向 Python Agent 提交查询或请求。

  1. 代码和测试用例生成

Agent 解析用户查询并生成相应的 Python 代码。同时，Agent 创建一个测试用例来验证生成代码的功能。

  1. 执行和验证

Agent 尝试运行生成的代码以确保其无错执行。然后 Agent 运行测试用例以确认代码生成了正确的输出。

  1. 重试机制

如果代码运行失败或测试用例未通过，Agent 将启动重试。它会重新生成代码和测试用例，解决上一次尝试中发现的任何问题。

  1. 结果输出

一旦代码成功运行并通过测试用例，Agent 就会将结果交付给用户。

查看此示例 Notebook 以获取详细信息。

用例 4：数据分析多 Agent 工作流程
drawing

您还可以在工作流程中利用多个 Agent。例如：

  1. 数据分析规划

规划 Agent 编写一份全面的数据分析计划，概述分析数据所需的步骤。

  1. 代码生成和执行

对于分析计划中的每个步骤，Python Agent 生成相应的代码。然后 Python Agent 执行生成的代码来执行指定的分析。

  1. 分析报告总结

根据执行代码的结果，总结 Agent 编写一份分析报告。报告总结了从数据分析中得出的发现和见解。

查看此示例 Notebook 以获取详细信息。

用例 5：角色扮演对话 Agent

您还可以创建角色扮演对话 Agent。例如，在此示例中，角色扮演对话工作流程在模仿两位单口喜剧演员 Ali Wong 和 Jimmy Yang 风格的两个 Agent 之间生成了一场有趣幽默的交流，融入了笑话和喜剧元素以增强对话。