Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Βέλτιστες Πρακτικές και Ανακεφαλαίωση

Μάθημα 12 / 12 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Ανακεφαλαίωση Μαθήματος
  2. Επιλογή της Προσέγγισής σας
  3. Οι Δέκα Χρυσοί Κανόνες
  4. Τρεις Πολυδάπανες Παγίδες
  5. Τι να Παρακολουθείτε
  6. Περαιτέρω Βήματα
  7. Ένας Πλήρης Αγωγός
  8. Βασικά σημεία
  9. Δοκιμάστε τις Γνώσεις σας

Ανακεφαλαίωση Μαθήματος

Εξερευνήσατε το πλήρες φάσμα των μηχανισμών δομημένης εξόδου που προσφέρει το Mistral API. Αυτό το τελικό μάθημα συγκεντρώνει ό,τι κάνει τη διαφορά στην καθημερινή εργασία: πώς να επιλέξετε μεταξύ των δύο προσεγγίσεων, οι αδιαπραγμάτευτες ρυθμίσεις, οι πιο συχνές παγίδες και τι πρέπει να παρακολουθείτε μόλις βρεθείτε σε περιβάλλον παραγωγής.

Επιλογή της Προσέγγισής σας

Αρκούν τέσσερις ερωτήσεις για να αποφασίσετε, με αυτή τη σειρά. Έχετε ένα καθορισμένο σχήμα εξόδου; Αν η απάντηση είναι όχι, μείνετε στη Λειτουργία JSON: βρίσκεστε σε φάση εξερεύνησης ή πρωτοτυποποίησης και η δέσμευση σε ένα μοντέλο δεδομένων θα ήταν πρόωρη. Αν ναι, προχωρήστε στην επόμενη ερώτηση.

Εργάζεστε σε Python ή TypeScript; Αν ναι, οι Προσαρμοσμένες Δομημένες Έξοδοι είναι έτοιμες για εσάς με το Pydantic ή το Zod. Αν όχι, η Λειτουργία JSON με χειροκίνητη επικύρωση παραμένει ο δρόμος σας.

Βρίσκεστε σε περιβάλλον παραγωγής; Αν ναι, οι Προσαρμοσμένες Δομημένες Έξοδοι είναι υποχρεωτικές, πάντα. Διαφορετικά, η Λειτουργία JSON είναι περισσότερο από επαρκής για την πρωτοτυποποίηση.

Αλλάζει συχνά το σχήμα; Ένα σχήμα που εξελίσσεται ακόμα καθιστά τη Λειτουργία JSON πιο πρακτική αρχικά, μέχρι να σταθεροποιηθούν οι απαιτήσεις· ένα σταθερό σχήμα συνηγορεί υπέρ των Προσαρμοσμένων Δομημένων Εξόδων και της αξιοπιστίας που προσφέρουν.

Οι Δέκα Χρυσοί Κανόνες

Οι πρώτοι πέντε αφορούν τον τρόπο με τον οποίο γράφετε τις κλήσεις σας. Ορίστε πάντα temperature=0 σε παραγωγή: η μεταβλητότητα της θερμοκρασίας είναι ο εχθρός της αξιοπιστίας και η εξαγωγή δεν έχει ανάγκη από δημιουργικότητα.

# Production: deterministic
response = client.chat.parse(
    model="mistral-large-latest",
    messages=messages,
    response_format=MonSchema,
    temperature=0  # Reproducibility
)

Ελέγχετε πάντα το finish_reason. Αυτός είναι ο μοναδικός δείκτης που σας προειδοποιεί για μια αποκομμένη απόκριση πριν επιχειρήσετε να τη χρησιμοποιήσετε.

if response.choices[0].finish_reason != "stop":
    # Response is truncated — increase max_tokens
    raise ValueError(f"Incomplete response: {response.choices[0].finish_reason}")

Στη Λειτουργία JSON, δίνετε πάντα οδηγίες στο μοντέλο μέσω του prompt. Η παράμετρος εγγυάται τη σύνταξη, όχι τη δομή: εναπόκειται σε εσάς να ορίσετε τα κλειδιά και τους τύπους τους.

# JSON Mode — the prompt MUST describe the structure
messages = [
    {
        "role": "system",
        "content": "Return JSON with keys: name (string), age (number), city (string)."
    },
    {"role": "user", "content": text}
]

Στην Προσαρμοσμένη λειτουργία, τεκμηριώνετε τα πεδία σας. Μια ακριβής περιγραφή αξίζει περισσότερο από ένα μεγάλο prompt και ταξιδεύει μαζί με το σχήμα και στις δύο γλώσσες.

class Product(BaseModel):
    name: str = Field(description="Commercial product name")
    price: float = Field(description="Price in EUR excluding tax, rounded to 2 decimals")
const ProductSchema = z.object({
  name: z.string().describe("Commercial product name"),
  price: z.number().describe("Price in EUR excluding tax, rounded to 2 decimals"),
});

Διαχωρίστε το πλαίσιο από το περιεχόμενο. Οι οδηγίες ανήκουν στο μήνυμα συστήματος, τα δεδομένα προς επεξεργασία στο μήνυμα χρήστη—ποτέ το αντίστροφο, διαφορετικά το μοντέλο θα μπερδέψει την οδηγία με το κείμενο προέλευσης.

messages = [
    {"role": "system", "content": "You are a data extractor. [Format instructions]"},
    {"role": "user", "content": "[Text to process — NO format instructions here]"}
]

Οι επόμενοι δύο κανόνες αφορούν το δίκτυ ασφαλείας σας. Υλοποιήστε έναν μηχανισμό επανάληψης: μην κάνετε ποτέ μια μόνο κλήση χωρίς εφεδρεία· η επανάληψη με ανατροφοδότηση είναι το ελάχιστο μοτίβο σε παραγωγή. Και επικυρώστε πέρα από το σχήμα, καθώς το σχήμα εγγυάται τη δομή, ενώ η σημασιολογική επικύρωση—όρια, συνοχή, επιχειρηματική λογική—παραμένει δική σας ευθύνη.

Οι τελευταίοι τρεις αφορούν την ενορχήστρωση. Επιλέξτε το σωστό μοντέλο για τη σωστή χρήση: mistral-large-latest για πολύπλοκες εργασίες και εξαγωγή πολλαπλών πεδίων, mistral-small-latest για απλή ταξινόμηση και βασική εξαγωγή, ministral-8b-latest για υψηλή συχνότητα και ελάχιστη καθυστέρηση. Καταγράφετε κάθε κλήση σε παραγωγή, σημειώνοντας το μοντέλο που χρησιμοποιήθηκε, τη διάρκεια, το finish_reason και το αποτέλεσμα: χωρίς αρχεία καταγραφής, είστε τυφλοί. Τέλος, μην βιαστείτε να υπερβελτιστοποιήσετε το prompt πολύ νωρίς—ξεκινήστε απλά, μετρήστε, επαναλάβετε· η πρόωρη βελτιστοποίηση prompt είναι μια συχνή παγίδα, ενώ το σχήμα και η επικύρωση είναι οι πραγματικοί μοχλοί.

Τρεις Πολυδάπανες Παγίδες

Η πρώτη είναι μια τιμή max_tokens πολύ χαμηλή. Το JSON θα αποκοπεί σε μεγάλες αποκρίσεις και το σφάλμα θα εκδηλωθεί μόνο σε μεγάλα έγγραφα, συχνά αφού τεθεί σε λειτουργία.

# Dangerous — JSON will be truncated for long responses
response = client.chat.parse(
    model="mistral-large-latest",
    messages=messages,
    response_format=MonSchema,
    max_tokens=128  # Too low for a complex schema
)

Ορίστε το max_tokens με βάση το αναμενόμενο μέγεθος της εξόδου σας: ένα τιμολόγιο με 20 γραμμές απαιτεί περισσότερα tokens από μια απλή ταξινόμηση.

Η δεύτερη είναι η μη μηδενική θερμοκρασία, η οποία καθιστά τα αποτελέσματά σας μη αναπαραγώγιμα χωρίς κανένα όφελος σε μια εργασία εξαγωγής.

# Dangerous in production — non-reproducible results
response = client.chat.parse(
    ...,
    temperature=0.7  # Unnecessary variation for extraction
)

Η τρίτη είναι ο αντανακλαστικός χρήση ενός μόνο μοντέλου. Μην χρησιμοποιείτε το mistral-large για τα πάντα: μια δυαδική ταξινόμηση δεν απαιτεί το πιο ισχυρό μοντέλο και το ministral-8b θα κάνει τη δουλειά 5 φορές γρηγορότερα με μικρότερο κόστος.

Τι να Παρακολουθείτε

Τέσσερις μετρικές αποκαλύπτουν την υγεία του αγωγού σας. Το ποσοστό επιτυχίας μετρά το ποσοστό των κλήσεων που επιστρέφουν ένα έγκυρο αντικείμενο με την πρώτη προσπάθεια· το ποσοστό επανάληψης, το ποσοστό των κλήσεων που χρειάστηκαν δεύτερη ευκαιρία. Η καθυστέρηση P50/P95 δίνει τον διάμεσο χρόνο απόκρισης και το 95ο εκατοστημόριο, το οποίο είναι πιο αποκαλυπτικό από τον μέσο όρο. Το κόστος ανά εξαγωγή, εκφρασμένο σε tokens που καταναλώθηκαν ανά κλήση, κρατά υπό έλεγχο τον λογαριασμό.

Σε αυτές τις μετρικές, μερικά κατώφλια ειδοποίησης αντέχουν καλά: ένα ποσοστό επιτυχίας κάτω από 95% δικαιολογεί κίτρινο συναγερμό, κάτω από 85% κόκκινο συναγερμό· καθυστέρηση P95 μεγαλύτερη από 10 δευτερόλεπτα warrants διερεύνηση· και ένας ανοιχτός διακόπτης κυκλώματος απαιτεί άμεσο συναγερμό.

Περαιτέρω Βήματα

Τέσσερις κατευθύνσεις επεκτείνουν φυσικά αυτό το μάθημα. Η κλήση συναρτήσεων χρησιμοποιεί δομημένες εξόδους για την τροφοδοσία κλήσεων συναρτήσεων σε έναν πράκτορα. Η ροή δεδομένων (streaming) σας επιτρέπει να λαμβάνετε τη δομημένη έξοδο προοδευτικά, κάτι που έχει σημασία για μεγάλες αποκρίσεις. Η λεπτομερής προσαρμογή (fine-tuning) ρυθμίζει ένα μοντέλο Mistral για να βελτιώσει την ποιότητα εξαγωγής στα συγκεκριμένα δεδομένα σας. Η αξιολόγηση, τέλος, συνίσταται στη δημιουργία ενός αυτόματου πλαισίου βασισμένου σε ένα χρυσό σύνολο δεδομένων και μετρικές—αυτό είναι που θα σας πει αν μια αλλαγή στο prompt βελτιώνει πραγματικά τα πράγματα.

Ένας Πλήρης Αγωγός

Ο παρακάτω κώδικας συγκεντρώνει τις πρακτικές του μαθήματος σε μια ενιαία ροή: ένα σχήμα περιγραμμένο πεδίο προς πεδίο, ένας επικυρωτής που απορρίπτει βαθμολογίες εκτός ορίων, ένα μοντέλο προσαρμοσμένο στην εργασία, temperature=0, ένα ρητό max_tokens, επαλήθευση του finish_reason και καταγραφή και για τα δύο πιθανά αποτελέσματα.

from mistralai.client import Mistral
from pydantic import BaseModel, Field, field_validator
import logging
import time

logger = logging.getLogger("pipeline")

class CustomerFeedback(BaseModel):
    sentiment: str = Field(description="positive, negative, or neutral")
    score: float = Field(description="Score between -1.0 and 1.0")
    category: str = Field(description="product, service, delivery, price, or other")
    action_required: bool = Field(description="True if action is required")
    summary: str = Field(description="One-sentence summary")

    @field_validator("score")
    @classmethod
    def score_in_range(cls, v):
        if not -1.0 <= v <= 1.0:
            raise ValueError(f"Score out of bounds: {v}")
        return v

def analyze_feedback(client: Mistral, text: str) -> CustomerFeedback:
    start = time.time()
    try:
        response = client.chat.parse(
            model="mistral-small-latest",
            messages=[
                {"role": "system", "content": "Analyze customer feedback."},
                {"role": "user", "content": text}
            ],
            response_format=CustomerFeedback,
            temperature=0,
            max_tokens=256
        )
        assert response.choices[0].finish_reason == "stop"
        result = response.choices[0].message.parsed
        logger.info(f"OK in {time.time()-start:.2f}s — {result.sentiment} ({result.score:+.1f})")
        return result
    except Exception as e:
        logger.error(f"ERROR in {time.time()-start:.2f}s — {e}")
        raise

Περίπου τριάντα γραμμές και έχετε ένα στοιχείο που μπορεί να συνδεθεί με ασφάλεια στη μέση ενός συστήματος: αυτό ακριβώς καθιστούν εφικτό οι δομημένες έξοδοι.

Βασικά σημεία

  • Χρησιμοποιήστε Προσαρμοσμένες Δομημένες Εξόδους σε παραγωγή, Λειτουργία JSON για πρωτοτυποποίηση
  • Το temperature=0, ο έλεγχος του finish_reason και η επανάληψη είναι αδιαπραγμάτευτα
  • Επιλέξτε το μοντέλο με βάση την πολυπλοκότητα της εργασίας και τον προϋπολογισμό
  • Παρακολουθείτε το ποσοστό επιτυχίας, την καθυστέρηση και το κόστος
  • Ξεκινήστε απλά, μετρήστε και μετά βελτιστοποιήστε

Δοκιμάστε τις Γνώσεις σας

Λειτουργία JSON, σχήματα, επανάληψη: η δομημένη έξοδος υπό έλεγχο;

1. Λειτουργία JSON έναντι Προσαρμοσμένων Δομημένων Εξόδων: ποια είναι η διαφορά;

Απάντηση: Η Λειτουργία JSON εγγυάται συντακτικά έγκυρο JSON· οι Προσαρμοσμένες Δομημένες Έξοδοι επιβάλλουν επιπλέον το ακριβές σχήμα σας—πεδία, τύποι, δομή: την πλήρη σύμβαση.

2. Τι παρέχει το client.chat.parse() με το Pydantic;

Απάντηση: Τον πλήρη κύκλο: το σχήμα Pydantic δηλώνει τη δομή, το API περιορίζει τη δημιουργία και η απόκριση φτάνει ήδη επικυρωμένη και typed ως αντικείμενο Python—μηδενική χειροκίνητη ανάλυση.

3. Και από την πλευρά του TypeScript;

Απάντηση: Η ίδια άνεση με το Zod: το σχήμα Zod ορίζει και επικυρώνει τη δομή—μια ενιαία πηγή αλήθειας για τη δημιουργία και την τυποποίηση.

4. Τι να κάνετε όταν η έξοδος δεν σέβεται το σχήμα;

Απάντηση: Επικυρώστε συστηματικά και σχεδιάστε μια στρατηγική επανάληψης: επαναζητήστε με το σφάλμα στο πλαίσιο ή υποβαθμίστε κομψά—ποτέ τυφλή εμπιστοσύνη στην έξοδο.

5. Πότε είναι απαραίτητη η δομημένη έξοδος;

Απάντηση: Μόλις ένα πρόγραμμα καταναλώνει την απόκριση χωρίς ανθρώπινη αναθεώρηση: εξαγωγή, ενσωματώσεις, αγωγοί—η μορφή παύει να είναι ευγένεια, γίνεται διεπαφή.

Δηλωμένο σχήμα, περιορισμένη δημιουργία, επικύρωση εξόδου: η τριάδα που καθιστά την ΤΝ ενσωματώσιμη σε πραγματικό λογισμικό.