Praktyczne przypadki użycia dla Przewidywanych Wyjść
Na tej stronie
Trzy rodziny przypadków użycia
Wspólnym mianownikiem tych trzech rodzin jest prosta zasada: Przewidywane Wyjścia (Predicted Outputs) najbardziej się opłacają, gdy większość wyniku jest znana z góry. Rodzaj zadania – kod, tekst czy szablon – ma mniejsze znaczenie niż procentowa część rezultatu, którą możesz dostarczyć jako przewidywanie. Przy 90% niezmienionej treści zysk jest dramatyczny; przy 30% staje się pomijalny, niezależnie od przypadku użycia.
Miej ten stosunek na uwadze, przeglądając poniższe trzy rodziny. Reprezentują one scenariusze, w których ów stosunek jest naturalnie wysoki. W tej lekcji zobaczysz konkretne przykłady dla każdej kategorii wraz ze wzorcami, które możesz powielić we własnych aplikacjach.
Przypadek użycia 1: Edycja kodu
To najbardziej naturalne zastosowanie, ponieważ kod mechanicznie maksymalizuje ten stosunek: zmiana nazwy zmiennej w pliku liczącym 500 linii pozostawia 498 linii ściśle identycznych. Zaczynasz od istniejącego pliku źródłowego i chcesz wprowadzić ukierunkowaną zmianę. Model musi jedynie wygenerować ponownie zmodyfikowane linie.
Zmiana nazwy zmiennej
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}
)
Model wie, że struktura kodu pozostaje identyczna. Przelicza jedynie tokeny dotknięte zmianą nazwy.
Zmiana importu lub zależności
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}
)
Przypadek użycia 2: Edycja tekstu
Tekst podlega tej samej logice co kod, z jedną istotną różnicą: zmiany w tekście są często mniej zlokalizowane, niż mogłoby się wydawać. Zmiana liczby w raporcie może wywołać przepisanie zdania ją komentującego, akapitu podsumowującego oraz wniosku. Zysk jest realny, ale mierz go na swoich rzeczywistych dokumentach, zamiast zakładać, że równa się on zyskowi obserwowanemu przy kodzie.
Aktualizacja sekcji w raporcie
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}
)
Przypadek użycia 3: Wypełnianie szablonów
Gdy masz stały szablon, w którym zmienia się tylko kilka wartości, przewidywanie jest niemal idealne:
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}
)
Pomiar realnych zysków
Aby ocenić skuteczność Przewidywanych Wyjść w Twoim przypadku użycia, systematycznie porównuj uruchomienia z przewidywaniem i bez niego:
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}%")
Zysk varies w zależności od procentowej zawartości poprawnie przewidzianej. Przy 5% zmian w pliku liczącym 500 linii, spodziewaj się redukcji opóźnienia o 60% do 80%.
Kluczowe wnioski
- Edycja kodu (zmiana nazw, migracja, lekkie refaktoryzacje) to główny przypadek użycia
- Edycja tekstu (raporty, dokumenty) korzysta na stabilnej strukturze
- Szablony z kilkoma dynamicznymi wartościami oferują najlepszy stosunek zysku do wysiłku
- Zawsze mierz realny zysk w swoim kontekście przed wdrożeniem do produkcji