Πώς να Ρυθμίσετε το Mistral AI (La Plateforme): Ένας Πρακτικός Οδηγός για Επιχειρηματικές Ομάδες

export MISTRAL_API_KEY="your-api-key-here"

$env:MISTRAL_API_KEY="your-api-key-here"

pip install mistralai --upgrade

from mistralai.client import MistralClient
from mistralai.models.chat_completion import ChatMessage

client = MistralClient()
response = client.chat(
    model="mistral-small",
    messages=[ChatMessage(role="user", content="Εξηγήστε το Mistral AI το 2026.")]
)
print(response.choices[0].message.content)

Το Mistral AI είναι ένα κορυφαίο ευρωπαϊκό εργαστήριο AI που επικεντρώνεται στην ανάπτυξη προηγμένων γλωσσικών μοντέλων...

for chunk in client.chat_stream(
    model="mistral-small",
    messages=[ChatMessage(role="user", content="Γράψτε ένα χάικου για την AI.")]
):
    print(chunk.choices[0].delta.content, end="")

Τα νευρωνικά δίκτυα μεγαλώνουν,
Σιωπηλοί νουί σε κυκλώματα ρέουν,
Το μέλλον αρχίζει να λάμπει.

tools = [
    {
        "type": "function",
        "function": {
            "name": "web_search",
            "description": "Αναζήτηση στο διαδίκτυο για πρόσφατες πληροφορίες",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"},
                    "max_results": {"type": "integer", "default": 3}
                },
                "required": ["query"]
            }
        }
    }
]

response = client.chat(
    model="mistral-large-2",
    messages=[ChatMessage(role="user", content="Ποιες είναι οι τελευταίες ειδήσεις για το Mistral AI το 2026;")],
    tools=tools
)

# Εξαγωγή της κλήσης εργαλείου
tool_call = response.choices[0].message.tool_calls[0]
print(f"Εργαλείο: {tool_call.function.name}, Ερώτημα: {tool_call.function.arguments}")

Εργαλείο: web_search, Ερώτημα: {"query": "Mistral AI latest news 2026", "max_results": 3}

def web_search(query, max_results=3):
    # Αντικαταστήστε με ένα πραγματικό API αναζήτησης (π.χ., SerpAPI, Brave Search)
    return [
        {"title": "Το Mistral AI Επεκτείνει τις Επιχειρηματικές Προσφορές", "url": "https://example.com/news1"},
        {"title": "Νέα Benchmarks για Πολύγλωσσα Μοντέλα", "url": "https://example.com/news2"}
    ]

# Εκτέλεση του εργαλείου και συνέχιση της συνομιλίας
search_results = web_search(**eval(tool_call.function.arguments))
response = client.chat(
    model="mistral-large-2",
    messages=[
        ChatMessage(role="user", content="Ποιες είναι οι τελευταίες ειδήσεις για το Mistral AI το 2026;"),
        response.choices[0].message,
        ChatMessage(role="tool", content=str(search_results), tool_call_id=tool_call.id)
    ]
)
print(response.choices[0].message.content)

{"messages": [{"role": "user", "content": "Ποια είναι η πολιτική επιστροφών;"}, {"role": "assistant", "content": "Η πολιτική επιστροφών μας επιτρέπει επιστροφές εντός 30 ημερών με την πρωτότυπη απόδειξη."}]}
{"messages": [{"role": "user", "content": "Πώς μπορώ να παρακολουθήσω την παραγγελία μου;"}, {"role": "assistant", "content": "Μπορείτε να παρακολουθήσετε την παραγγελία σας χρησιμοποιώντας τον σύνδεσμο στο email επιβεβαίωσης."}]}

from mistralai.fine_tuning import MistralFineTuningClient

ft_client = MistralFineTuningClient()
job = ft_client.create_job(
    model="mistral-small",  # Βασικό μοντέλο
    training_files=["dataset.jsonl"],
    hyperparameters={
        "training_steps": 1000,
        "learning_rate": 1.0e-5
    }
)
print(f"[Fine-tuning](https://hyperion-consulting.io/services/production-ai-systems) εργασία δημιουργήθηκε: {job.id}")

response = client.chat(
    model="ft:mistral-small:your-job-id",  # Αντικαταστήστε με το ID της εργασίας σας
    messages=[ChatMessage(role="user", content="Ποια είναι η πολιτική επιστροφών σας;")]
)
print(response.choices[0].message.content)

from mistralai.agents import MistralAgentClient

agent_client = MistralAgentClient()
agent = agent_client.create_agent(
    name="Agent Υποστήριξης Πελατών",
    model="mistral-large-2",
    instructions="Είστε ένας χρήσιμος agent υποστήριξης πελατών για ένα ηλεκτρονικό κατάστημα. Χρησιμοποιήστε εργαλεία για να απαντήσετε σε ερωτήσεις σχετικά με παραγγελίες, επιστροφές και προϊόντα.",
    tools=tools  # Επαναχρησιμοποίηση εργαλείων από την Ενότητα 4
)
print(f"Agent δημιουργήθηκε: {agent.id}")

response = agent_client.run(
    agent_id=agent.id,
    messages=[{"role": "user", "content": "Παραγγείλα ένα μπλε πουκάμισο αλλά έλαβα ένα κόκκινο. Τι πρέπει να κάνω;"}]
)
print(response.messages[-1]["content"])