Mistral 推出 Agents API：原生整合 MCP，支援多智慧體協同

很多時候，我們讓大模型幹活，最頭痛的不是它寫不出文字，而是它沒法真正動手去改程式碼、翻系統或者查即時資訊。每一次對話還要你自己把上下文從頭拉一遍，傳回去給它。

Mistral 剛上線的 Agents API，就是衝著這個麻煩來的。它不是單純發個新模型，而是給開發者搭好了一整套讓 AI 獨立辦事的底層框架。說白了，它把模型、工具、記憶和多角色排程打包成了一個介面。

給你配齊沙盒、生圖和 MCP 介面

過去想讓大模型幹活，開發者得自己搭程式碼沙盒，自己找生圖介面，再自己寫聯網搜尋。Mistral 這次直接把常用聯結器做進了系統內部。

裡面自帶了安全沙盒環境，AI 能直接寫 Python 程式碼來算數、畫圖表、跑科學計算；生圖接入了 Black Forest Labs 的 FLUX1.1 [pro] Ultra；知識庫支援直接讀取 Mistral Cloud 裡的文件做檢索增強。

連上網頁搜尋之後的效果很直觀。在 SimpleQA 基準測試裡，Mistral Large 沒聯網時準確率只有 23%，聯網後直接拉到了 75%；Mistral Medium 更是從 22.08% 蹦到了 82.32%。

更有意思的是它對 MCP（Model Context Protocol）的底層支援。由於原生相容這個開放協議，AI 可以順暢地插拔外部資料庫、GitHub 或者 Linear 任務看板。在 Mistral 給出的演示裡，一個主管 Agent 能指派由 DevStral 驅動的開發 Agent 掌管 GitHub 許可權自己寫程式碼，或者把開會錄音直接轉成產品需求文件並派發成 Linear 工單。

記性變好了，還能叫同事來接班

另外兩個很關鍵的改變，是有狀態對話和 Agent 任務交接。

以前呼叫補全介面，開發者得在本地小心翼翼維護聊天曆史，生怕多輪對話爆了上下文。現在 Mistral Agents API 會自動儲存狀態，開發者不僅不用自己管記憶，還能隨時從任意一個歷史節點分叉，開一條新的對話分支去嘗試不同方案。

如果任務太複雜，一個 Agent 搞不定，系統還支援讓多個 Agent 輪流上陣。你可以先建好財務分析、網路搜尋、數學計算等幾個不同角色的 Agent，然後設定交接規則。遇到具體需求時，財務 Agent 發現缺資料，就會自動把任務移交給聯網 Agent，查完再接力回來。

為什麼重要

做企業級 AI 應用的開發者現在省心多了。以前要做一個能幹活的助理，你得在 LangChain 這類框架裡拼裝記憶、沙盒、搜尋和提示詞路由，維護成本很高。現在通過 Mistral 的單一 API 就能搞定狀態和多 Agent 流轉，試錯成本大大降低。

從行業競爭來看，這說明基礎模型廠商的戰場已經徹底從卷引數、卷單次問答，轉向了卷端到端的執行框架。OpenAI 和 Anthropic 之前都在推類似的狀態維護和工具協議，Mistral 選擇直接擁抱 Anthropic 帶頭的 MCP 標準，這步棋走得相當務實，既拉攏了開源和跨平臺生態，又避免了自己重新造輪子。

不過，這種全託管框架也有隱患。業務的狀態歷史和沙盒執行都託管在 Mistral 雲端，如果未來遇到深度定製、資料合規或者需要跨廠商無縫切換模型時，企業可能會面臨遷移壁壘。但就目前來說，想快速搭一套帶記憶、能協同的自動化流水線，這個方案確實非常輕巧。