Przejdź do głównej treści
Polski— Wybierz język
Menu

Implementacja przewidywanych wyników w Pythonie

Lekcja 7 z 16 Zaktualizowano 2 listopada 2026 Zaawansowany
Na tej stronie
  1. Od koncepcji do kodu produkcyjnego
  2. Podstawowa implementacja
  3. Klasa użytkowa do środowiska produkcyjnego
  4. Benchmark: Z predykcją i bez niej
  5. Obsługa błędów
  6. Ograniczenia, o których musisz wiedzieć
  7. Kluczowe wnioski

Od koncepcji do kodu produkcyjnego

Rozumiesz już zasadę działania Przewidywanych Wyników (Predicted Outputs) i ich przypadki użycia. Ta lekcja dostarcza kompletny kod w Pythonie, gotowy do integracji z Twoimi aplikacjami, wraz z obsługą błędów i pomiarem wydajności.

Podstawowa implementacja

Minimalny wzorzec wymaga tylko jednego parametru: prediction, do którego przekazujesz oczekiwaną treść. Reszta wywołania pozostaje bez zmian – ten sam model, te same wiadomości, ta sama obsługa odpowiedzi. Dzięki temu funkcję łatwo wdrożyć i równie łatwo usunąć, jeśli metryki nie potwierdzą zysku:

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)

Klasa użytkowa do środowiska produkcyjnego

Inkapsulacja oferuje tu korzyści wykraczające poza czysty kod: centralizuje decyzję o włączeniu lub wyłączeniu predykcji. To dokładnie ten rodzaj ustawienia, który chcesz móc przełączyć natychmiastowo. Jeśli wdrożenie ujawni stale niepoprawne predykcje, możesz je wyłączyć w jednym miejscu, zamiast szukać tego parametru w całym kodzie:

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:
    """Edytor treści wykorzystujący Przewidywane Wyniki."""

    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:
        """Edytuje treść z wykorzystaniem predykcji wyniku."""
        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:
        """Skrót do edycji kodu."""
        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:
        """Skrót do edycji tekstu."""
        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."
            )
        )

Użycie klasy

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

# Edycja kodu
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: Z predykcją i bez niej

Nie pomijaj tego kroku. Zysk z Przewidywanych Wyników zależy całkowicie od dokładności Twoich predykcji, która z kolei zależy od Twoich danych. Żadna liczba z dokumentacji nie zastąpi pomiarów na własnych przykładach. Ten skrypt porównuje oba tryby na tych samych danych wejściowych, dając Ci odpowiedź w kilka sekund:

import statistics

def benchmark_prediction(
    client, model, messages, prediction_content, runs=5
):
    """Porównuje opóźnienia z Przewidywanym Wynikiem i bez niego."""
    times_normal = []
    times_predicted = []

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

        # Z predykcją
        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
    }

Obsługa błędów

Obsługa błędów jest tutaj prosta ze względu na strukturę działania: niepoprawna predykcja nie jest błędem. Model ją ignoruje i generuje odpowiedź w sposób normalny – tracisz zysk na opóźnieniach, ale nigdy nie tracisz jakości. Prawdziwe przypadki brzegowe leżą gdzie indziej:

def safe_edit(editor, original, instruction):
    """Edycja z solidną obsługą błędów."""
    try:
        result = editor.edit(original, instruction)

        # Sprawdzenie, czy odpowiedź nie jest pusta
        if not result.content or len(result.content.strip()) < 10:
            raise ValueError("Response too short or empty")

        return result

    except Exception as e:
        # Fallback: ponowna próba bez predykcji
        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
        )

Ograniczenia, o których musisz wiedzieć

Przed wdrożeniem uwzględnij trzy punkty w procesie przeglądu kodu. Po pierwsze, parametr n (wielokrotne generowanie) jest niezgodny z prediction. Jeśli Twój potok żąda wielu uzupełnień, musisz dokonać wyboru. Po drugie, dopasowanie między predykcją a wynikiem jest obsługiwane przez model niezależnie od pozycji treści w odpowiedzi – nie musisz przygotowywać żadnego wyrównania. Wreszcie, i to właśnie czyni tę funkcję bezpieczną do wdrożenia: błędna predykcja nigdy nie obniża jakości odpowiedzi; kosztuje Cię jedynie utratę zysku na opóźnieniach. Najgorszy scenariusz to po prostu powrót do normalnej prędkości na dwóch kompatybilnych modelach (mistral-large-latest i codestral-latest).

Kluczowe wnioski

  • Parametr prediction po prostu dodajesz do wywołania chat.complete()
  • Zamknij logikę w klasie wielokrotnego użytku do środowiska produkcyjnego
  • Systematycznie mierz zysk za pomocą benchmarku przed wdrożeniem
  • Zaplanuj mechanizm fallback bez predykcji na wypadek błędów
  • Błędna predykcja nie obniża jakości, wpływa jedynie na opóźnienia