Primeri uporabe napovedanih izhodov v praksi
Na tej strani
Tri družine primerov uporabe
Rdeča nit, ki povezuje te tri družine, je preprosta: napovedani izhodi se najbolj izplačajo, ko je večina izhoda vnaprej znana. Narava naloge – koda, besedilo ali predloga – je manj pomembna od deleža rezultata, ki ga lahko zagotoviš kot napoved. Pri 90 % nespremenjene vsebine je dobiček dramatičen; pri 30 % postane zanemarljiv, ne glede na primer uporabe.
Imej to razmerje v mislih, ko raziskuješ spodnje tri družine. Predstavljajo scenarije, kjer je to razmerje naravno visoko. V tej lekciji boš videl konkretne primere za vsako kategorijo skupaj z vzorci, ki jih lahko reproduciraš v svojih aplikacijah.
Primer uporabe 1: Urejanje kode
To je najbolj naravna izbira, saj koda mehansko maksimira razmerje: preimenovanje spremenljivke v datoteki s 500 vrsticami pusti 498 vrstic strogo identičnih. Začneš z obstoječo izvorno datoteko in želiš narediti ciljno spremembo. Model mora znova generirati le spremenjene vrstice.
Preimenovanje spremenljivke
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 ve, da struktura kode ostaja identična. Ponovno izračuna le žetone, na katere vpliva preimenovanje.
Sprememba uvoza ali odvisnosti
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}
)
Primer uporabe 2: Urejanje besedila
Besedilo sledi isti logiki kot koda, z eno pomembno nianso: spremembe besedila so pogosto manj lokalizirane, kot si morda misliš. Sprememba številke v poročilu lahko sproži prepis stavka, ki jo komentira, povzetnega odstavka in zaključka. Dobiček je realen, vendar ga izmeri na svojih dejanskih dokumentih, namesto da bi predpostavil, da je enak dobičku, ki ga vidiš pri kodi.
Posodobitev razdelka v poročilu
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}
)
Primer uporabe 3: Izpolnjevanje predlog
Ko imaš fiksno predlogo, kjer se spremeni le nekaj vrednosti, je napoved skoraj popolna:
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}
)
Merjenje dobičkov v praksi
Če želiš oceniti učinkovitost napovedanih izhodov za svoj primer uporabe, sistematično primerjaj zagon z napovedjo in brez nje:
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}%")
Dobiček se spreminja glede na odstotek pravilno napovedane vsebine. Pri 5-odstotni spremembi v datoteki s 500 vrsticami pričakuj 60- do 80-odstotno zmanjšanje zakasnitve.
Ključne ugotovitve
- Urejanje kode (preimenovanje, selitev, rahlo refaktoriranje) je glavni primer uporabe.
- Urejanje besedila (poročila, dokumenti) ima korist od stabilne strukture.
- Predloge z nekaj dinamičnimi vrednostmi ponujajo najboljše razmerje med dobičkom in trudom.
- Pred uvedbo v proizvodno okolje vedno izmeri dejanski dobiček v svojem kontekstu.