MistralEmbeddingClient 使用 Mistral AI 模型生成文字嵌入。 可用於向量索引、語意搜尋、叢集或其他需要 Agent Framework 嵌入客戶端的應用程式。
該供應商目前僅提供嵌入;它沒有提供 Agent Framework 聊天客戶端。
安裝套件
pip install agent-framework-mistral --pre
Configuration
MISTRAL_API_KEY="<api-key>"
MISTRAL_EMBEDDING_MODEL="mistral-embed"
# Optional compatible endpoint:
MISTRAL_SERVER_URL="<server-url>"
產生內嵌
建立客戶端並呼叫 get_embeddings()。
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}
用來 MistralEmbeddingOptions 請求支援的輸出維度。 你也可以設定 MISTRAL_SERVER_URL 應用程式何時使用相容的客製化端點。
Important
Mistral AI 是第三方系統。 在傳送應用程式資料前，請先審查其服務條款、資料處理、區域邊界、模型授權及使用成本。
工具
工具不適用，因為這個套件目前提供的是嵌入客戶端，而不是 Agent Framework 聊天客戶端。