Implementacja przewidywanych wyników w Pythonie
Na tej stronie
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
predictionpo prostu dodajesz do wywołaniachat.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