Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A jósolt kimenetek implementálása Pythonban

7. lecke 16 közül Frissítve 2026. november 2. Haladó
Ezen az oldalon
  1. Az elmélettől a produkciós kódig
  2. Alapvető implementáció
  3. Segédosztály produkciós környezethez
  4. Benchmark: Jóslással és anélkül
  5. Hibakezelés
  6. Ismerendő korlátok
  7. Főbb megállapítások

Az elmélettől a produkciós kódig

Megértetted a jósolt kimenetek (Predicted Outputs) elvét és felhasználási területeit. Ez a lecke teljes, alkalmazásaidba közvetlenül integrálható Python kódot biztosít, beleértve a hibakezelést és a teljesítménymérést is.

Alapvető implementáció

A minimális mintázatnak csak egyetlen paraméterre van szüksége: a prediction-re, amelybe átadod a várt tartalmat. A hívás minden egyéb része változatlan marad – ugyanaz a modell, ugyanazok az üzenetek, ugyanaz a válaszkezelés. Ettől lesz a funkció könnyen bevezethető, és éppoly könnyen eltávolítható, ha a metrikák nem igazolják a nyereséget:

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

source_code = """
import pandas as pd

def load_data(filepath):
    df = pd.read_csv(filepath)
    df['date'] = pd.to_datetime(df['date'])
    df = df.dropna(subset=['value'])
    return df

def compute_stats(df):
    return {
        'mean': df['value'].mean(),
        'median': df['value'].median(),
        'std': df['value'].std()
    }
"""

prompt = (
    "Add a 'separator' parameter to the load_data function "
    "(default ',') and use it in read_csv. "
    "Respond only with the complete modified code."
)

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

modified_code = response.choices[0].message.content
print(modified_code)

Segédosztály produkciós környezethez

Az itt alkalmazott encapsulation (kapszulázás) a tiszta kódon túlmutató előnyökkel jár: központosítja a jóslás bekapcsolására vagy kikapcsolására vonatkozó döntést. Pontosan ilyen beállítást szeretnél azonnal váltogatni. Ha egy telepítés során következetesen helytelen jóslatokat tapasztalsz, egyetlen ponton letilthatod őket, ahelyett, hogy a kódbázisodban vadásznál a paraméter után:

from mistralai.client import Mistral
import time
from dataclasses import dataclass


@dataclass
class PredictionResult:
    content: str
    latency_ms: float
    tokens_input: int
    tokens_output: int
    model: str


class PredictedEditor:
    """Tartalomszerkesztő jósolt kimenetek használatával."""

    def __init__(self, api_key: str, model: str = "mistral-large-latest"):
        self.client = Mistral(api_key=api_key)
        self.model = model

    def edit(
        self,
        original: str,
        instruction: str,
        system_prompt: str | None = None
    ) -> PredictionResult:
        """Tartalom szerkesztése kimenet-jóslással."""
        messages = []

        if system_prompt:
            messages.append({"role": "system", "content": system_prompt})

        messages.extend([
            {"role": "user", "content": instruction},
            {"role": "user", "content": original}
        ])

        start = time.perf_counter()

        response = self.client.chat.complete(
            model=self.model,
            messages=messages,
            prediction={"type": "content", "content": original}
        )

        latency = (time.perf_counter() - start) * 1000

        choice = response.choices[0]
        return PredictionResult(
            content=choice.message.content,
            latency_ms=round(latency, 1),
            tokens_input=response.usage.prompt_tokens,
            tokens_output=response.usage.completion_tokens,
            model=self.model
        )

    def edit_code(self, code: str, instruction: str) -> PredictionResult:
        """Gyorsművelet kód szerkesztéséhez."""
        return self.edit(
            original=code,
            instruction=instruction,
            system_prompt=(
                "You are a programming assistant. "
                "Respond only with the modified code, "
                "without explanation or markdown."
            )
        )

    def edit_text(self, text: str, instruction: str) -> PredictionResult:
        """Gyorsművelet szöveg szerkesztéséhez."""
        return self.edit(
            original=text,
            instruction=instruction,
            system_prompt=(
                "You are a professional text editor. "
                "Apply the requested modification while preserving "
                "the style and structure of the original text. "
                "Respond only with the modified text."
            )
        )

Az osztály használata

editor = PredictedEditor(api_key="your-api-key", model="codestral-latest")

# Kód szerkesztése
result = editor.edit_code(
    code=my_python_file,
    instruction="Replace all print() calls with logging.info() calls"
)

print(f"Latency: {result.latency_ms} ms")
print(f"Tokens: {result.tokens_input} in / {result.tokens_output} out")
print(result.content)

Benchmark: Jóslással és anélkül

Ne hagyd ki ezt a lépést. A jósolt kimenetekből származó nyereség kizárólag a jóslataid pontosságától függ, ami pedig az adataidon múlik. A dokumentációban található egyetlen szám sem helyettesíti a saját példáidon végzett mérést. Ez a szkript összehasonlítja mindkét módot ugyanazon bemenetekkel, és másodperceken belül megadja a választ:

import statistics

def benchmark_prediction(
    client, model, messages, prediction_content, runs=5
):
    """Összehasonlítja a késleltetést jósolt kimenettel és anélkül."""
    times_normal = []
    times_predicted = []

    for _ in range(runs):
        # Jóslás nélkül
        start = time.perf_counter()
        client.chat.complete(model=model, messages=messages)
        times_normal.append((time.perf_counter() - start) * 1000)

        # Jóslással
        start = time.perf_counter()
        client.chat.complete(
            model=model,
            messages=messages,
            prediction={"type": "content", "content": prediction_content}
        )
        times_predicted.append((time.perf_counter() - start) * 1000)

    avg_normal = statistics.mean(times_normal)
    avg_predicted = statistics.mean(times_predicted)
    gain_pct = (1 - avg_predicted / avg_normal) * 100

    return {
        "without_prediction_ms": round(avg_normal, 1),
        "with_prediction_ms": round(avg_predicted, 1),
        "gain_percentage": round(gain_pct, 1),
        "runs": runs
    }

Hibakezelés

A hibakezelés itt strukturális okokból egyszerű: a helytelen jóslat nem hiba. A modell figyelmen kívül hagyja, és normálisan generál – elveszíted a késleltetésből származó nyereséget, de a minőséget soha. A valódi szélső esetek máshol rejlenek:

def safe_edit(editor, original, instruction):
    """Szerkesztés robusztus hibakezeléssel."""
    try:
        result = editor.edit(original, instruction)

        # Ellenőrizd, hogy a válasz nem üres-e
        if not result.content or len(result.content.strip()) < 10:
            raise ValueError("Response too short or empty")

        return result

    except Exception as e:
        # Tartalék megoldás: újrapróbálkozás jóslás nélkül
        print(f"Predicted Output failed ({e}), falling back to standard...")
        response = editor.client.chat.complete(
            model=editor.model,
            messages=[
                {"role": "user", "content": instruction},
                {"role": "user", "content": original}
            ]
        )
        return PredictionResult(
            content=response.choices[0].message.content,
            latency_ms=0,
            tokens_input=response.usage.prompt_tokens,
            tokens_output=response.usage.completion_tokens,
            model=editor.model
        )

Ismerendő korlátok

Mielőtt telepítenéd a rendszert, építsd be a kódreview folyamatodba három fontos pontot. Először is, az n paraméter (többszörös generálás) összeférhetetlen a prediction paraméterrel. Ha a pipeline-od több kiegészítést kér, választanod kell. Másodszor, a jóslat és a kimenet közötti egyezést a modell kezeli, függetlenül a tartalom válaszban elfoglalt helyétől – nem kell semmilyen igazítást előkészítened. Végül, és ez teszi a funkciót biztonságossá a telepítésre: a rossz jóslat soha nem rontja a válasz minőségét; csupán a késleltetésből származó nyereségbe kerül. A legrosszabb eset egyszerűen a normál sebességre való visszatérés a két kompatibilis modellen (mistral-large-latest és codestral-latest).

Főbb megállapítások

  • A prediction paraméter egyszerűen hozzáadódik a chat.complete() híváshoz
  • Zárd kapszulába a logikát egy újrafelhasználható osztályba a produkciós környezethez
  • Telepítés előtt rendszeresen mérd le a nyereséget egy benchmarkkal
  • Tervezz tartalék megoldást jóslás nélkül hibák esetére
  • A rossz jóslat nem rontja a minőséget, csak a késleltetést befolyásolja