A jósolt kimenetek implementálása Pythonban
Ezen az oldalon
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
predictionparaméter egyszerűen hozzáadódik achat.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