ListenHub

6-2

晓曼: 嘿，大家好，欢迎收听最新一期播客！今天我们要聊点儿刺激的——Mistral 推出了 Agents API，据说能让 AI 从只会码字儿的文员，进化成能独当一面解决问题的 CEO！这是真的吗？先请您给我们八卦八卦，这玩意儿到底有啥绝活？

原野: 哈哈，说 CEO 可能有点儿夸张，但确实厉害！Mistral Agents API 就像给 AI 装上了手脚和大脑，它不光能写文章，还能自己跑代码、上网查资料、画图，甚至连接各种工具。最牛的是，它还自带记忆，能记住之前的对话，而且能指挥一堆小弟（代理）一起干活儿！

晓曼: 哎呦喂，听起来很科幻啊！以前那些语言模型，只会耍嘴皮子，一到真刀真枪干活儿就歇菜。这个 Agents API 到底是怎么解决这个问题的？

原野: 秘密武器就是那些内置的“连接器”。有了这些连接器，模型就像开了外挂，想跑 Python 代码？没问题，直接在安全沙箱里搞起！想上网搜信息？分分钟搞定！想生成图片？小菜一碟！还有那个“持久记忆模块”，保证上下文不丢失，多轮对话也能对答如流。更厉害的是，它能把一个复杂任务拆成 N 份，分给不同的代理去执行，简直就是 AI 界的项目经理！

晓曼: 哇，听起来简直是质的飞跃啊！那跟咱们平时用的 Chat Completion API 相比，这个 Agents API 在实际应用中能带来啥好处呢？

原野: 最大的好处就是“能干活儿”和“连贯”。以前的 Chat Completion API 只能生成文字，说白了就是个聊天机器人。现在这个 Agents API 能真正地运行代码、查询信息，然后根据结果执行下一步操作。企业用它，就能实现端到端的自动化，再也不用人工干预了，简直是效率神器！

晓曼: 听起来太棒了！那咱们接下来就聊聊它的应用场景吧。听说有很多例子，要不先从代码助手开始？

原野: 好嘞！Mistral 的代码助手可不简单，它能跟 Github 联动，还配了个专门的“开发者代理”叫 DevStral。主代理一声令下，DevStral 就能自动从 Github 上拉代码、编写代码、测试代码，实现自动化软件开发流程管理。

晓曼: 听着就像 AI 扮演了项目经理和程序员的双重角色，太卷了吧！那 Linear 工单助手又是怎么玩的？

原野: Linear 助手更牛，它通过多服务器 MCP 架构，把客户服务通话记录变成产品需求文档，然后自动在 Linear 上创建可执行的任务，还能实时跟踪项目进度，形成一个从需求到实施的闭环。

晓曼: 真是脑洞大开！那金融分析师代理呢？

原野: 金融分析师代理会调用多个 MCP 服务器，抓取最新的财务数据，进行汇总和分析，然后把结果安全地保存起来。它能在几秒钟内完成传统团队需要几个小时才能完成的报告，简直是降本增效的利器！

晓曼: 厉害厉害！还有旅行和营养助手，这两个场景有啥亮点？

原野: 旅行助手能帮你规划行程、预订酒店、搞定签证和交通，一条龙服务。营养助手会根据你的目标和饮食记录，给你个性化的建议，帮你追踪每日营养摄入，还能推荐合适的餐厅，简直是贴心小棉袄！

晓曼: 总结一下，这些场景都强调多代理协同。这个 Agents API 到底是怎么通过多代理协作来优化效率和提升用户体验的？

原野: 关键在于让不同的代理专注于自己擅长的领域。比如旅游代理遇到复杂的签证问题，就直接甩给专门的签证代理，各司其职，协同作战，避免单个代理能力不足的情况。

晓曼: 接下来我们再深入看看那些内置的连接器和 MCP 工具。先说说连接器，它们都有啥能耐？

原野: 连接器主要负责代码执行、图像生成、文档读取和网络搜索。代码执行连接器能在安全沙箱里运行 Python，进行各种计算。图像生成由 Black Forest Lab FLUX1.1 Ultra 驱动，能生成各种图片。文档库连接器通过 RAG 技术读取 Mistral Cloud 里的文档。网络搜索则能获取实时信息，大大提升回答的准确性。

晓曼: 能不能给咱们来个性能对比？

原野: 必须的！在 SimpleQA 基准测试中，Mistral Large 和 Medium 接入网络搜索后，准确率直接从 23% 和 22.08% 飙升到了 75% 和 82.32%！

晓曼: 哇，看来网络搜索真是个大杀器啊！那 MCP 工具在这套体系里扮演什么角色？

原野: MCP 工具就像一个万能插座，能让代理与外部系统无缝连接，包括 API、数据库和用户数据。它们为代理提供实时动态资源，让应用更灵活、更可扩展。

晓曼: 咱们再聊聊记忆和上下文管理。这个 Agents API 是怎么保证对话连贯的？

原野: 它支持两种会话启动方式：一种是指定 agent_id 调用专属能力，另一种是直接指定模型和参数快速接入连接器。每次对话都有结构化的历史记录，系统自动保存，开发者根本不用操心。

晓曼: 什么是会话分支？

原野: 会话分支就像一个时间机器，允许开发者随时查看历史记录，并在任何节点上继续对话或开启新的分支，支持多条思路并行探索，简直是科研利器！

晓曼: 流式输出又是啥意思？

原野: 流式输出就像看直播，可以在对话开始和延续时实时推送模型输出，不用傻等结果，大大提高交互的即时性，特别适合长对话或多代理协作场景。

晓曼: 最后聊聊智能协调——据说这是 Agents API 最强大的部分。它是如何编排多代理解决复杂问题的？

原野: 首先，你得创建多个具备特定工具和模型的代理，组成一个工作流。然后，为它们定义任务移交规则。这样，一次请求就能在后台触发多代理协作，每个代理负责一段流程，实现高效的链式执行。

晓曼: 在设计代理工作流时，应该怎么给每个代理分配角色和责任，才能确保协同高效？

原野: 关键在于根据任务的性质选择最合适的工具和模型，并明确移交条件。比如财务计算交给计算代理，数据抓取交给搜索代理，只有当结果达标才交给主代理。

晓曼: 听完今天的介绍，感觉 Mistral Agents API 真是太强大了！它通过连接器、记忆管理和智能协调，为企业提供了真正可执行、高度自动化的 AI 解决方案。感谢您的精彩分享！

原野: 不客气，很高兴能和大家一起探索这项技术的前沿应用。

晓曼: 好了，今天的播客就到这里，感谢大家的收听，我们下期再见！

Outline

Mistral Agents API 发布：AI 能力提升的关键一步
- 目标：使 AI 更强大、更有用，并成为积极的问题解决者。
- 传统语言模型的局限性：擅长生成文本，但在执行动作和保持上下文方面存在限制。
- Agents API 的解决方案：结合 Mistral 的语言模型，并提供：
  - 内置连接器：代码执行、网页搜索、图像生成和 MCP 工具。
  - 持久记忆：跨对话保持上下文。
  - Agentic 编排能力。
- Agents API 的定位：Chat Completion API 的补充，简化 agentic 用例的实现，作为企业级 agentic 平台的基础。
- Agents API 的优势：可靠的框架，处理复杂任务，保持上下文，协调多个动作，使企业能够以更实际和更有影响力的方式使用 AI。
Mistral Agents API 的应用场景
- Coding assistant with Github：
  - Agent 通过 Agents API 与 Github 交互，监督由 DevStral 驱动的开发者 agent 编写代码。
  - Agent 拥有对 Github 的完全控制权，展示了自动化软件开发任务管理。
- Linear tickets assistant：
  - 智能任务协调助手，使用多服务器 MCP 架构，将通话记录转换为 PRD，再转换为可执行的 Linear 问题，并跟踪项目交付。
- Financial analyst：
  - 财务咨询 agent，协调多个 MCP 服务器，获取财务指标，编译见解，并安全地存档结果。
- Travel assistant：
  - 强大的 AI 旅行助手，帮助用户计划行程、预订住宿和管理旅行需求。
- Nutrition assistant：
  - AI 驱动的食物饮食伴侣，旨在帮助用户建立目标、记录膳食、接收个性化的食物建议、跟踪他们的日常成就，并发现符合其营养目标的餐饮选择。
创建具有内置连接器和 MCP 工具的 Agent
- 内置连接器：Agent 可以按需调用的工具。
- 代码执行
  - 允许开发者创建在安全沙箱环境中执行 Python 代码的 agent。
  - 应用场景：数学计算和分析、数据可视化和绘图、科学计算。
- 图像生成
  - 由 Black Forest Lab FLUX1.1 [pro] Ultra 提供支持。
  - 应用场景：为教育内容生成视觉辅助工具、为营销材料创建自定义图形、创作艺术图像。
- Document library
  - 内置连接器，使 agent 能够访问 Mistral Cloud 中的文档。
  - 支持集成的 RAG 功能，通过利用用户上传文档的内容来增强 agent 的知识。
- 网页搜索
  - 允许开发者将 Mistral 模型与来自网页搜索、信誉良好的新闻和其他来源的各种最新信息相结合。
  - 提高性能：在 SimpleQA 基准测试中，使用网页搜索的 Mistral Large 和 Mistral Medium 分别达到 75% 和 82.32% 的分数，而没有网页搜索时为 23% 和 22.08%。
  - SimpleQA 准确率 (越高越好)
- MCP 工具
  - Agents API SDK 还可以利用基于模型上下文协议 (MCP) 构建的工具。
  - MCP 是一种开放的标准协议，可在 agent 和外部系统之间实现无缝集成。
  - MCP 工具为 agent 提供了一个灵活且可扩展的接口，用于访问真实世界的上下文，包括 API、数据库、用户数据、文档和其他动态资源。
通过状态化对话实现记忆和上下文
- Agents API 通过灵活且状态化的对话系统提供强大的对话管理。
- 每个对话都保留其上下文，从而实现随时间的无缝和连贯的交互。
- 对话管理
  - 两种开始对话的方式：
    - 与 Agent：创建与特定 agent_id 的对话以利用其专业功能。
    - 直接访问：通过直接指定模型和完成参数来开始对话，从而快速访问内置连接器。
  - 每个对话都通过对话条目维护结构化历史记录，确保在交互过程中保留上下文。
- 状态化交互和对话分支
  - 开发者不再需要监控转换历史记录；他们可以查看过去的对话。
  - 他们可以随时继续任何对话或从任何点启动新的对话路径。
- 流式输出
  - API 还支持流式输出，无论是在开始对话还是继续之前的对话时。
  - 此功能允许实时更新和交互。
Agent 编排
- Agents API 的真正力量在于它能够编排多个 agent 来解决复杂问题。
- 通过动态编排，可以根据需要从对话中添加或删除 agent，每个 agent 都贡献其独特的功能来解决问题的不同部分。
- 创建 agentic 工作流程
  - 首先创建所有必要的 agent。
  - 可以根据需要创建任意数量的 agent，每个 agent 都有特定的工具和模型，以形成定制的工作流程。
- Agent 切换
  - 定义哪些 agent 可以将任务切换给其他 agent。
  - 例如，财务 agent 可能会根据对话的需要将任务委派给网页搜索 agent 或计算器 agent。
- 切换启用无缝的行动链。
  - 单个请求可以触发多个 agent 上的任务，每个 agent 处理请求的特定部分。
  - 这种协作方法可以实现高效且有效的问题解决，从而释放现实世界应用的强大可能性。
开始使用
- 查阅文档，创建您的第一个 agent，然后开始构建！

Script