Cookbooks
Сквозные рецепты, показывающие TypeSafe на реальных задачах — от нескольких вопросов до целых конвейеров.
Каждый cookbook — это разобранный пример: реальный набор данных, вопросы TypeSafe, которые что-то о нём решают, и код, превращающий эти решения в работающую систему. Читайте его, когда хотите увидеть, как примитивы и паттерны соединяются на конкретной задаче, или скопируйте как отправную точку для своего.
Этот раздел предполагает, что вы знакомы с примитивами TypeSafe и понимаете, как работает уверенность. Если нет, сначала прочитайте их.
Самосогласованность
Повторяйте решение и используйте согласованность между прогонами как сигнал.
| Cookbook | Что делает | Уровень |
|---|---|---|
| Самосогласованность: noul | Направляет неуверенные вероятности на проверку человеком, оставляя видимыми лежащие в основе значения noul. | Начальный |
| Самосогласованность: choice | Добавляет неопределённый исход к решениям модерации и сравнивает согласованность меток с долей автоматических действий. | Начальный |
Пакетная обработка
Упакуйте много вопросов в один запрос.
| Cookbook | Что делает | Уровень |
|---|---|---|
| Параллельные вопросы | Прогоняет нормативную сводку из 13 вопросов по статье Википедии о GDPR, показывая, что объединение всех вопросов в один вызов TypeSafe в 12.2 раза дешевле и в 10.0 раз быстрее без изменения ответов. | Начальный |
Практические руководства
Рецепты для типовых задач: поиск, форматирование, выбор инструментов, ограничители.
| Cookbook | Что делает | Уровень |
|---|---|---|
| Переранжирование | Строит короткие списки BM25 из 30 пассажей для 40 юридических запросов CLERC, а затем использует по одному вопросу TypeSafe на пару «запрос–кандидат», чтобы поднять точность top-1 с 5% до 18%, а точность top-10 с 38% до 62%. | Начальный |
| Построчный поиск | Строит семантический поиск по Условиям использования GitHub. За один запрос оценивает 218 идентификаторов строк относительно запроса на естественном языке с помощью вопроса Choice и использует вопрос Noul, чтобы проверить, содержит ли документ ответ. | Начальный |
| Восстановление структуры | Восстанавливает Markdown из простого текста, потерявшего форматирование, за два запроса: один сшивает обратно жёстко перенесённые строки, другой классифицирует каждый блок (заголовок, список, код, врезка). | Начальный |
| Вызов функций | Превращает торговые запросы на естественном языке в вызовы обычных типизированных функций, сопоставляя имена функций и аргументы из замкнутого набора с учитывающими уверенность вопросами TypeSafe. | Средний |
| Подсказка навыка | Выбирает не более одного навыка на ход агента из 182 в каталоге Hermes от Nous Research, используя два запроса TypeSafe, чтобы ранжировать и перепроверить лучших кандидатов. | Средний |
| Выравнивание сущностей графа знаний | Определяет, какие из 450 пар-кандидатов из двух каталогов пива описывают один и тот же продукт, используя один вопрос Score плюс три сопутствующих Noul, показывающих, какие поля расходятся. | Начальный |
| Классификация пассажей RAG | Оценивает каждый извлечённый пассаж одним запросом TypeSafe, а затем в коде решает, какие из них дойдут до модели, формирующей ответ. | Средний |
| Двойная проверка цитат | Отлавливает неверные или выдуманные цитаты, сверяя их с исходным документом. Один вопрос Choice решает, поддерживает ли контекст цитаты утверждение. | Начальный |
| Ограничители для LLM | Проверяет каждое сообщение, входящее в LLM-приложение и выходящее из него, одним запросом TypeSafe, порогово разделяя вероятности и серьёзность угроз, чтобы пропустить, проверить, заблокировать или направить. | Средний |
Извлечение
Извлекайте типизированные значения из неструктурированного текста.
| Cookbook | Что делает | Уровень |
|---|---|---|
| Каскад SDE | Использует двухступенчатый каскад извлечения структурированных данных (mini → verify → reasoning), чтобы получить большую часть качества большой рассуждающей модели за долю стоимости. | Средний |
| Извлечение дат | Извлекает абсолютные и относительные даты, запрашивая у TypeSafe названные в документе части, а затем разрешая и проверяя их в коде с проверкой на основе уверенности. | Начальный |
| Извлечение значений из предварительно разобранного текста | Использует регулярные выражения, чтобы найти кандидатов в письма, телефоны и суммы, а затем поручает TypeSafe выбрать запрошенный фрагмент, чтобы код мог нормализовать дословное значение. | Начальный |
Классификация
Относите входные данные к категориям на любой глубине.
| Cookbook | Что делает | Уровень |
|---|---|---|
| Иерархическая классификация | Классифицирует документы по глубоким иерархиям патентов, розничных товаров, биомедицины и исходного кода, используя параллельный лучевой поиск по вероятностям Choice от TypeSafe. | Средний |
| Автоисследование признаков | Запускает цикл автоисследования, который предлагает вопросы TypeSafe, преобразует свободный текст в числовые признаки и использует ошибки модели для улучшения обученного с учителем регрессора CatBoost. | Продвинутый |
| Классификация с помощью уверенности | Классифицирует годовые отчёты SEC по 75 отраслевым группам, по одному Choice на каждый, а затем считывает собственную уверенность ответа, чтобы решить, указать эту группу или более широкое подразделение над ней. | Начальный |