Cookbooks
End-to-End-Rezepte, die TypeSafe an echten Problemen zeigen, von wenigen Fragen bis zu vollständigen Pipelines.
Jedes Cookbook ist ein durchgearbeitetes Beispiel: ein echter Datensatz, die TypeSafe-Fragen, die etwas darüber entscheiden, und der Code, der diese Entscheidungen in ein funktionierendes System verwandelt. Lies eines, wenn du sehen willst, wie die Primitive und Muster bei einem konkreten Problem zusammenkommen, oder kopiere eines als Ausgangspunkt für dein eigenes.
Dieser Abschnitt setzt voraus, dass du die TypeSafe-Primitive kennst und verstehst, wie Konfidenz funktioniert. Falls nicht, lies diese zuerst.
Selbstkonsistenz
Wiederhole eine Entscheidung und nutze die Übereinstimmung über die Durchläufe hinweg als Signal.
| Cookbook | Was es macht | Niveau |
|---|---|---|
| Selbstkonsistenz: nouls | Leitet unsichere Wahrscheinlichkeiten zur menschlichen Prüfung, während die zugrunde liegenden noul-Werte sichtbar bleiben. | Anfänger |
| Selbstkonsistenz: choice | Fügt Moderationsentscheidungen ein unsicheres Ergebnis hinzu und vergleicht die Label-Übereinstimmung mit dem Anteil automatischer Aktionen. | Anfänger |
Batching
Packe viele Fragen in eine einzige Anfrage.
| Cookbook | Was es macht | Niveau |
|---|---|---|
| Parallele Fragen | Führt ein regulatorisches Briefing mit 13 Fragen über den Wikipedia-Artikel zur DSGVO aus und zeigt, dass das Bündeln aller Fragen in einen einzigen TypeSafe-Aufruf 12.2x günstiger und 10.0x schneller ist, ohne dass sich die Antworten ändern. | Anfänger |
How-to
Rezepte für häufige Aufgaben: Suche, Formatierung, Werkzeugauswahl, Leitplanken.
| Cookbook | Was es macht | Niveau |
|---|---|---|
| Re-Ranking | Baut 30-Passage-BM25-Shortlists für 40 CLERC-Rechtsabfragen und verwendet dann eine TypeSafe-Frage pro Abfrage-Kandidat-Paar, um die Top-1-Genauigkeit von 5% auf 18% und die Top-10-Genauigkeit von 38% auf 62% zu heben. | Anfänger |
| Zeilenweise Suche | Baut eine semantische Suche für GitHubs Nutzungsbedingungen. In einer Anfrage werden 218 Zeilen-ids mit einer Choice-Frage gegen eine umgangssprachliche Abfrage bewertet, und eine Noul-Frage prüft, ob das Dokument eine Antwort enthält. | Anfänger |
| Strukturwiederherstellung | Rekonstruiert Markdown aus reinem Text, der seine Formatierung verloren hat, in zwei Anfragen: Eine fügt hart umbrochene Zeilen wieder zusammen, eine klassifiziert jeden Block (Überschrift, Liste, Code, Callout). | Anfänger |
| Funktionsaufruf | Wandelt natürlichsprachliche Handelsanfragen in Aufrufe gewöhnlicher typisierter Funktionen um, indem Funktionsnamen und geschlossene Argumentmengen auf konfidenzbewusste TypeSafe-Fragen abgebildet werden. | Fortgeschritten |
| Skill-Vorschlag | Wählt höchstens einen Skill für einen Agenten-Turn aus den 182 in Nous Researchs Hermes-Katalog, wobei zwei TypeSafe-Anfragen die Top-Kandidaten ranken und erneut prüfen. | Fortgeschritten |
| Entity-Alignment im Wissensgraphen | Entscheidet, welche von 450 Kandidatenpaaren aus zwei Bierkatalogen dasselbe Produkt beschreiben, mit einer Score-Frage plus drei begleitenden Nouls, die aufzeigen, welche Felder nicht übereinstimmen. | Anfänger |
| RAG-Passagen klassifizieren | Bewerte jede abgerufene Passage mit einer TypeSafe-Anfrage und entscheide dann im Code, welche davon das antwortende Modell erreichen. | Fortgeschritten |
| Zitate gegenprüfen | Fange falsche oder halluzinierte Zitate ab, indem du gegen das Quelldokument prüfst. Eine Choice-Frage entscheidet, ob der Kontext des Zitats die Aussage stützt. | Anfänger |
| Leitplanken für LLMs | Prüfe jede Nachricht, die in eine LLM-App hinein- und aus ihr herausgeht, mit einer TypeSafe-Anfrage und setze Schwellenwerte für Gefahrenwahrscheinlichkeiten und Schwere, um durchzulassen, zu prüfen, zu blockieren oder umzuleiten. | Fortgeschritten |
Extraktion
Ziehe typisierte Werte aus unordentlichem Text.
| Cookbook | Was es macht | Niveau |
|---|---|---|
| SDE-Kaskade | Verwendet eine zweistufige Kaskade zur Extraktion strukturierter Daten (mini → verify → reasoning), um den Großteil der Qualität eines großen Reasoning-Modells zu einem Bruchteil der Kosten zu erhalten. | Fortgeschritten |
| Datums-Extraktion | Extrahiert absolute und relative Daten, indem TypeSafe nach den in einem Dokument genannten Teilen gefragt und sie dann im Code mit konfidenzbasierter Prüfung aufgelöst und validiert werden. | Anfänger |
| Vorab geparste Werteextraktion | Verwendet Regexe, um Kandidaten für E-Mails, Telefonnummern und Beträge zu finden, und lässt dann TypeSafe die angeforderte Spanne auswählen, damit der Code einen wörtlichen Wert normalisieren kann. | Anfänger |
Klassifizierung
Ordne Eingaben Kategorien in beliebiger Tiefe zu.
| Cookbook | Was es macht | Niveau |
|---|---|---|
| Hierarchische Klassifizierung | Klassifiziert Dokumente durch tiefe Patent-, Einzelhandelsprodukt-, biomedizinische und Quellcode-Hierarchien mithilfe einer parallelen Beam-Suche über TypeSafe-Choice-Wahrscheinlichkeiten. | Fortgeschritten |
| Autoresearch-Feature-Discovery | Führt eine Autoresearch-Schleife aus, die TypeSafe-Fragen vorschlägt, freien Text in numerische Features umwandelt und Modellfehler nutzt, um einen überwachten CatBoost-Regressor zu verbessern. | Experte |
| Klassifizierung mit Konfidenz | Klassifiziere SEC-Jahresberichte in 75 Branchengruppen mit je einem Choice und lies dann die eigene Konfidenz der Antwort, um zu entscheiden, ob diese Gruppe oder die breitere übergeordnete Abteilung gemeldet wird. | Anfänger |