操作指南：通过 AI Trust Layer 连接 Mistral

通过 Automation Suite 中用于私有 Test Cloud 的 AI Trust Layer 连接 Mistral，包括所需的设置和验证指南。

本指南说明了如何通过 AI Trust Layer LLM 配置功能将 Microsoft Azure AI Foundry 中部署的 Mistral 模型连接到 UiPath 智能体。您可以基于 Azure OpenAI 模板创建一个自定义 Integration Service 连接器，并根据 Mistral 的 API 要求调整其请求挂钩。

先决条件

• 在集群中启用 BYO AI 网关。有关详细信息，请参阅配置 AI Trust Layer 。
• 在 Azure AI Foundry 中部署的 Mistral 模型（例如mistral-small-2503 ）
• 资源的 Azure AI Foundry 端点 URL
• Azure AI Foundry 资源的 API 密钥
• Automation Suite 中的组织管理员访问权限
• 访问 Integration Service 和连接器生成器

创建自定义连接器

1. 导航到“管理员” > “AI Trust Layer” > “LLM 配置” ，然后选择“添加配置” 。
2. 设置“租户” 、 “产品”和“功能”的值。
3. 在“模型配置”下，在“LLM 名称”字段中输入自定义别名，并将“API 类型”设置为“OpenAI” 。
4. 在“连接器”字段中，选择“创建自定义连接器” 。
5. 选择“Azure OpenAI”模板，然后选择“创建连接器” 。系统将打开连接器生成器，其中已预先填充 Azure OpenAI 模板。

编辑连接器以实现 Mistral 兼容性

Azure AI Foundry 上的 Mistral 模型使用严格的架构验证，并且不接受 Azure OpenAI 模板默认发送的所有字段。在每个请求到达 Mistral 端点之前，连接器的preRequest挂钩必须解决这些差异。

Azure OpenAI 模板发送	Azure AI Foundry 上的 Mistral	挂钩应用的分辨率
tool_choice: "required" 或对象形式	"none"、 "auto"或"any"	如果存在工具，则转换为"any"
parallel_tool_calls 字段	不支持的字段 ( extra_forbidden )	已从请求正文中删除
max_completion_tokens	max_tokens	字段已重命名

1. 在连接器生成器中，打开“挂钩”部分，然后选择“preRequest”挂钩。

2. 将整个挂钩主体替换为以下脚本：

   // Normalize query params and payload for Mistral on Azure AI Foundry.
   // Removes unsupported fields and adapts tool semantics for Mistral's strict schema.
   const _reqPath = (typeof request_path !== 'undefined') ? request_path : '';
   const _reqParams = (typeof request_parameters !== 'undefined') ? request_parameters : undefined;
   const _cfg = (typeof configuration !== 'undefined') ? configuration : undefined;
   
   if (['/query', '/v1/responses'].includes(_reqPath)) {
       return done();
   }
   
   let apiVersion = (_cfg && _cfg['api-version']) ? _cfg['api-version'] : "2023-05-15";
   if (_reqParams && _reqParams["api-version"]) {
       apiVersion = _reqParams["api-version"];
   }
   if (['/listAllModels', '/auth_validation'].includes(_reqPath)) {
       apiVersion = (_cfg && _cfg['api-version']) ? _cfg['api-version'] : "2023-10-01-preview";
   }
   
   // Resolve body across different runtime variable names
   let body = (typeof request_body !== 'undefined' && request_body) ? request_body :
              ((typeof request_vendor_body !== 'undefined' && request_vendor_body) ? request_vendor_body :
               ((typeof request !== 'undefined' && request && request.body) ? request.body : undefined));
   
   if (body && typeof body === 'string') {
       try { body = JSON.parse(body); } catch (e) { /* leave as-is */ }
   }
   
   if (body && typeof body === 'object') {
       // Remove field rejected by Mistral's strict schema
       if (Object.prototype.hasOwnProperty.call(body, 'parallel_tool_calls')) {
           delete body.parallel_tool_calls;
       }
   
       // Normalize tool_choice: Mistral accepts only 'none', 'auto', or 'any'
       const _allowedToolChoice = new Set(['none', 'auto', 'any']);
       const _hasTools = Object.prototype.hasOwnProperty.call(body, 'tools')
           && Array.isArray(body.tools) && body.tools.length > 0;
   
       if (Object.prototype.hasOwnProperty.call(body, 'tool_choice')) {
           if (body.tool_choice === 'required') {
               body.tool_choice = 'any';
           } else if (body.tool_choice && typeof body.tool_choice === 'object') {
               body.tool_choice = 'any';
           } else if (typeof body.tool_choice === 'string' && !_allowedToolChoice.has(body.tool_choice)) {
               body.tool_choice = _hasTools ? 'any' : 'auto';
           }
       } else if (_hasTools) {
           // Force tool usage: agent runtime expects tool calls when tools are configured
           body.tool_choice = 'any';
       }
   
       // Rename max_completion_tokens to max_tokens
       if (Object.prototype.hasOwnProperty.call(body, 'max_completion_tokens')) {
           if (!Object.prototype.hasOwnProperty.call(body, 'max_tokens')) {
               body.max_tokens = body.max_completion_tokens;
           }
           delete body.max_completion_tokens;
       }
   }
   
   const out = {
       request_vendor_parameters: { "api-version": apiVersion }
   };
   
   if (typeof request_body !== 'undefined') out.request_body = body;
   if (typeof request_vendor_body !== 'undefined') out.request_vendor_body = body;
   
   return done(out);
   

3. 在连接器设置中，将“基本 URL”设置为您的 Azure AI Foundry 端点： https://{your-resource-name}.openai.azure.com/openai 。

4. 设置“身份验证类型”以匹配您的设置。本示例使用API 密钥( customApiKey )，但您可以使用任何受支持的身份验证类型，包括OAuth — 请相应地更新连接器设置。

5. 选择“保存” ，然后发布连接器。

在 Integration Service 中创建连接

1. 在 Integration Service 中，导航到“连接” ，然后选择“添加连接” 。
2. 选择您发布的自定义连接器。
3. 在“API 密钥”字段中，输入您的 Azure AI Foundry API 密钥。
4. 在“Azure OpenAI 资源”字段中，输入您的资源名称，即端点 URL 的子域部分，不带https://或.openai.azure.com 。
5. 选择“连接”以配置连接。

完成 LLM 配置

1. 返回到“管理员” > “AI Trust Layer” > “LLM 配置” ，然后打开您启动的配置。
2. 在“模型配置”下，将“连接器”设置为您已发布的连接器，将“连接” 设置为您创建的连接。
3. 在“LLM 标识符”字段中，输入与 Azure AI Foundry 中显示的完全相同的部署名称。
   备注：

   LLM 标识符字段中的尾随空格会导致DeploymentNotFound错误。保存前，请验证没有前导或尾随空格。

4. 选择测试配置，以运行 AI Trust Layer 探测器。
5. 如果探测器通过，请选择“保存” 。

结果

配置将保存，并且 Mistral 模型可用于您指定的产品和功能的 UiPath 智能体。调用通过 AI Trust Layer 路由，并显示在审核日志中的“来源：自定义连接”下。

备注：

如果您在创建自定义连接器时遇到问题，请联系 UiPath 支持团队获取帮助。