Премини към основното съдържание
Български— Изберете език
Меню

Случаи на употреба в реалния свят за предвидени изходи

Урок 6 от 16 Обновен 29 юли 2026 г. Напреднало
На тази страница
  1. Три семейства случаи на употреба
  2. Случай на употреба 1: Редактиране на код
  3. Случай на употреба 2: Редактиране на текст
  4. Случай на употреба 3: Попълване на шаблони
  5. Измерване на печалбите в реалния свят
  6. Ключови изводи

Три семейства случаи на употреба

Общата нишка, свързваща тези три семейства, е проста: Предвидените изходи (Predicted Outputs) дават резултат, когато по-голямата част от изхода е известна предварително. Естеството на задачата – код, текст или шаблон – има по-малко значение от дела на резултата, който можете да предоставите като прогноза. При 90% непроменено съдържание печалбата е драстична; при 30% тя става незначителна, независимо от случая на употреба.

Имайте предвид това съотношение, докато разглеждате трите семейства по-долу. Те представляват сценарии, при които това съотношение е естествено високо. В този урок ще видите конкретни примери за всяка категория, заедно с модели, които можете да възпроизведете във вашите собствени приложения.

Случай на употреба 1: Редактиране на код

Това е най-естественото приложение, тъй като кодът механично максимизира съотношението: преименуването на променлива във файл от 500 реда оставя 498 реда строго идентични. Започвате със съществуващ изходен файл и искате да направите целева промяна. Моделът трябва само да регенерира модифицираните редове.

Преименуване на променлива

existing_code = """
def calculate_total(items):
    tax_rate = 0.20
    subtotal = sum(item.price for item in items)
    tax = subtotal * tax_rate
    total = subtotal + tax
    return total
"""

prompt = (
    "Rename the variable 'tax_rate' to 'vat_rate' throughout this code. "
    "Reply with only the modified code."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

Моделът знае, че структурата на кода остава идентична. Той преизчислява само токените, засегнати от преименуването.

Промяна на импорт или зависимост

existing_code = """
from flask import Flask, request, jsonify
from flask_cors import CORS

app = Flask(__name__)
CORS(app)

@app.route('/api/predict', methods=['POST'])
def predict():
    data = request.get_json()
    result = model.predict(data['input'])
    return jsonify({'prediction': result})
"""

prompt = (
    "Migrate this code from Flask to FastAPI. "
    "Keep the same business logic. "
    "Reply with only the code."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

Случай на употреба 2: Редактиране на текст

Текстът следва същата логика като кода, с една важна нюанс: промените в текста често са по-малко локализирани, отколкото бихте си помислили. Промяната на число в доклад може да предизвика пренаписване на изречението, което го коментира, на обобщаващия параграф и на заключението. Печалбата е реална, но я измервайте върху вашите действителни документи, вместо да приемате, че е равна на печалбата, която наблюдавате при кода.

Актуализиране на секция в доклад

report = """
# Q4 2025 Quarterly Report

## Executive Summary
Revenue reached €2.3M in Q4 2025, up 15%
from Q3. Operating margin stands at 22%.

## Sales Performance
The sales team signed 47 new contracts, including 12 key accounts.
Average deal size grew 8% to €49,000.

## Q1 2026 Outlook
We anticipate 10% growth driven by the launch of the
Enterprise product and expansion into the German market.
"""

prompt = (
    "Update this report for Q1 2026 with the following data: "
    "Revenue = €2.7M (+17%), margin = 24%, 53 new contracts, "
    "average deal size = €51,000 (+4%). "
    "For the Q2 outlook, mention expansion into the Benelux region. "
    "Keep the exact same structure."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": report}
    ],
    prediction={"type": "content", "content": report}
)

Случай на употреба 3: Попълване на шаблони

Когато разполагате с фиксиран шаблон, в който се променят само няколко стойности, прогнозата е почти перфектна:

email_template = """
Hello {name},

Following up on our conversation on {date}, I confirm the following points:

1. The {project} project will start on {start_date}
2. The team will consist of {num_people} people
3. The estimated budget is €{budget} (excl. tax)

I remain at your disposal for any questions.

Best regards,
{signatory}
"""

# Partially fill the template for prediction
prediction = email_template.replace("{name}", "Mr. Dupont")
prediction = prediction.replace("{signatory}", "Marie Martin")

prompt = (
    "Complete this email with the following information: "
    "date = March 28, 2026, project = Cloud Migration, "
    "start_date = April 15, 2026, num_people = 5, "
    "budget = 85,000."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": prediction}
    ],
    prediction={"type": "content", "content": prediction}
)

Измерване на печалбите в реалния свят

За да оцените ефективността на Предвидените изходи за вашия случай на употреба, систематично сравнявайте изпълненията с и без прогноза:

import time

# Without prediction
start = time.time()
resp_normal = client.chat.complete(
    model="mistral-large-latest",
    messages=messages
)
time_normal = time.time() - start

# With prediction
start = time.time()
resp_predicted = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    prediction={"type": "content", "content": predicted_content}
)
time_predicted = time.time() - start

gain = (1 - time_predicted / time_normal) * 100
print(f"Without prediction: {time_normal:.2f}s")
print(f"With prediction: {time_predicted:.2f}s")
print(f"Latency gain     : {gain:.1f}%")

Печалбата варира в зависимост от процента на правилно предвиденото съдържание. За промяна от 5% във файл от 500 реда очаквайте намаление на латентността между 60% и 80%.

Ключови изводи

  • Редактирането на код (преименуване, миграция, леко рефакториране) е основният случай на употреба
  • Редактирането на текст (доклади, документи) се възползва от стабилна структура
  • Шаблоните с няколко динамични стойности предлагат най-добро съотношение между печалба и усилия
  • Винаги измервайте реалната печалба във вашия контекст, преди да внедрите решението в продукция