Przypadki użycia Codestral
Na tej stronie
Cztery filary wykorzystania Codestral
Sprowadzanie Codestral do zwykłego narzędzia autouzupełniania pomija połowę jego wartości. Jego możliwości obejmują cztery kluczowe obszary tworzenia oprogramowania: autouzupełnianie w IDE, generowanie kodu, automatyczną dokumentację oraz tworzenie testów. Każdy z tych obszarów wymaga specyficznych ustawień. Wyraźne rozróżnienie między nimi zapobiega rozczarowującym rezultatom wynikającym ze stosowania „tego samego promptu do wszystkiego“.
Autouzupełnianie w IDE w czasie rzeczywistym
Jest to najbardziej naturalny przypadek użycia modelu, najlepiej wykorzystujący mechanizm Fill-in-the-Middle (FIM). Scenariusz jest zawsze taki sam: piszesz w VS Code lub IDE JetBrains, rozszerzenie takie jak Continue.dev lub Tabnine wykrywa przerwę w pisaniu, wysyła żądanie FIM zawierające kontekst pliku, otrzymuje sugestię w czasie poniżej 500 ms, a ty akceptujesz ją klawiszem Tab lub odrzucasz klawiszem Esc. Całe wyzwanie mieści się w tym budżecie 500 ms: po jego przekroczeniu sugestia pojawia się, gdy już ręcznie wpisałeś linię, zamieniając pomoc w uciążliwość.
Głównym czynnikiem wpływającym na wydajność jest rozmiar wysyłanego kontekstu. Im więcej go przekażesz, tym lepsza będzie trafność, ale wolniejsza odpowiedź.
# Optimized configuration for autocomplete
response = client.fim.complete(
model="codestral-latest",
prompt=context_before_cursor[-2000:], # Limit context
suffix=context_after_cursor[:500], # Short suffix
temperature=0,
max_tokens=80, # Short completions
stop=["\n\n", "\ndef ", "\nclass "],
)
W praktyce 2000 znaków dla promptu i 500 dla sufiksu zapewnia doskonały stosunek jakości do szybkości. Zwróć uwagę na asymetrię: zachowujemy ostatnie znaki przed kursorem i pierwsze znaki po nim, ponieważ trafność spada wraz z oddalaniem się od punktu wstawienia.
Generowanie kompletnego kodu
Gdy potrzebujesz całej funkcji, klasy lub modułu, punkt końcowy czatu (chat endpoint) staje się bardziej odpowiedni. Jakość wyniku zależy wtedy bezpośrednio od precyzji twojego żądania: explicitna specyfikacja z wymienionymi ograniczeniami technicznymi produkuje użyteczny kod; niejasne żądanie generuje szkielet, który będziesz musiał przepisać od nowa.
response = client.chat.complete(
model="codestral-latest",
messages=[
{
"role": "system",
"content": "Python expert. Clean, typed code with error handling."
},
{
"role": "user",
"content": """Create a Python `CacheManager` class with:
- An in-memory LRU cache with configurable TTL
- get, set, delete, and clear methods
- A @cached decorator for functions
- Thread safety using threading.Lock"""
}
],
temperature=0.2,
max_tokens=1500,
)
Ten proces sprawdza się w czterech scenariuszach: rozpoczynanie nowego pliku lub pustego modułu, implementacja złożonego algorytmu opisanego językiem naturalnym, szybkie prototypowanie API lub usługi w celu przetestowania jej struktury oraz konwersja pseudokodu na kod funkcjonalny. Wspólnym mianownikiem jest brak istniejącego kodu, do którego trzeba by się dostosować. Gdy tylko w grę wchodzi istniejący kod, FIM ponownie staje się preferowanym rozwiązaniem.
Automatyczna dokumentacja
Dokumentacja to zadanie, które zespoły odkładają na później, podczas gdy Codestral radzi sobie z nim w kilka sekund. Weźmy nieudokumentowaną funkcję z czterema parametrami i warunkowym zachowaniem w nagłówku:
code = """
def parse_csv_to_dict(filepath, delimiter=',', encoding='utf-8', skip_header=False):
results = []
with open(filepath, 'r', encoding=encoding) as f:
reader = csv.reader(f, delimiter=delimiter)
if skip_header:
headers = next(reader)
else:
headers = [f'col_{i}' for i in range(len(next(reader)))]
for row in reader:
results.append(dict(zip(headers, row)))
return results
"""
response = client.chat.complete(
model="codestral-latest",
messages=[
{
"role": "user",
"content": f"Add a complete Google-style docstring to this function:\n\n{code}"
}
],
temperature=0,
)
Wygenerowany docstring opisuje każdy parametr, jego wartość domyślną oraz zwracaną strukturę. Ten sam mechanizm, przy użyciu innej instrukcji, dodaje komentarze do linii, które na to zasługują – tutaj gałąź else, która tworzy sztuczne nazwy kolumn, co może zaskoczyć kolejnego czytelnika.
response = client.chat.complete(
model="codestral-latest",
messages=[
{
"role": "user",
"content": f"Add explanatory comments to the complex lines in this code:\n\n{code}"
}
],
temperature=0,
)
Zachowaj temperature=0 dla obu zadań: dokumentujesz to, co istnieje, a nie wymyślasz nic nowego.
Generowanie testów jednostkowych
Codestral generuje testy na podstawie kodu źródłowego i często właśnie tutaj oszczędza najwięcej czasu, ponieważ przypadki brzegowe to dokładnie to, o czym zapomina zabiegany programista.
function_to_test = """
def validate_email(email: str) -> bool:
import re
pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
return bool(re.match(pattern, email))
"""
response = client.chat.complete(
model="codestral-latest",
messages=[
{
"role": "system",
"content": "Generate comprehensive pytest tests. Include edge cases and error cases."
},
{
"role": "user",
"content": f"Generate tests for this function:\n\n{function_to_test}"
}
],
temperature=0.1,
max_tokens=1000,
)
Uzyskane pokrycie kodu dzieli się na cztery rodziny. Przypadki nominalne weryfikują poprawne adresy. Przypadki brzegowe sprawdzają format do granic możliwości, używając długich domen lub dozwolonych znaków specjalnych. Przypadki błędów obejmują nieprawidłowe formaty, puste ciągi znaków i wartość None. Na końcu przypadki regresji odnoszą się do tego, co wcześniej uległo awarii: subdomeny i najnowsze domeny najwyższego poziomu (TLD). Zawsze przeglądaj te testy przed zatwierdzeniem ich – test wygenerowany na podstawie błędnego kodu wiernie dokumentuje ten błąd.
Podsumowanie przypadków użycia
| Przypadek użycia | Punkt końcowy | Temperatura | Maks. tokenów |
|---|---|---|---|
| Autouzupełnianie w IDE | FIM | 0 | 50-100 |
| Generowanie funkcji | Chat | 0.2 | 500-1500 |
| Docstringi / Komentarze | Chat | 0 | 300-500 |
| Testy jednostkowe | Chat | 0.1 | 800-1500 |
| Refaktoryzacja | Chat | 0 | 1000-2000 |
| Konwersja języka | Chat | 0 | 1000-2000 |
Kluczowe wnioski
- Autouzupełnianie w IDE wykorzystuje FIM z parametrami zoptymalizowanymi pod kątem opóźnień.
- Generowanie kompletnego kodu używa punktu końcowego czatu ze strukturalizowanym promptem.
- Codestral generuje docstringi i komentarze profesjonalnej jakości.
- Generowanie testów automatycznie obejmuje przypadki brzegowe i scenariusze błędów.
- Każdy przypadek użycia ma optymalne ustawienia temperatury i liczby tokenów.