JevCodeSoluções técnicas e boas práticas de Jev
中ENJAKODEFRESPT

JevCode / Primitivas

Problemas estruturados

instructions e criteria aceitam estruturas JSON. O modelo System One foi treinado para compreender essas estruturas; utilizá-las adequadamente pode melhorar significativamente a precisão de julgamentos complexos.

Traduzido automaticamente do zh-CN, sem revisão. Apenas como referência rápida.

Fonte: docs.typesafe.ai/primitives/advancedinstructionscriteriastructure

Onde a estrutura pode ser usada

Os seguintes campos aceitam string, object, array ou null:

Campo Aplicável a
instructions Choice, Score, Noul
Valor de criteria (descrição das opções do Choice) Choice
Entradas de criteria (descrição dos níveis do Score) Score
criteria.true / criteria.false Noul

Os modelos do System One são treinados para compreender estruturas. Isso não é uma limitação que precisa ser contornada, mas uma capacidade que deve ser aproveitada ativamente.

Quando usar a escrita estruturada

  • Quando ela melhora a clareza. Quando uma pergunta contém várias partes, usar JSON para colocar cada parte em chaves nomeadas tem uma legibilidade muito superior a juntá-las em uma única string de modelo.
  • Quando a pergunta precisa de dados de suporte. Esquemas, taxonomias e linhas de banco de dados são, por natureza, JSON. Envie-os como um todo ou passe apenas os subcampos relevantes, em vez de serializá-los como strings e injetá-los no modelo.

Instructions estruturadas: uma descrição de campo reutilizável

Um padrão comum é usar um objeto field para descrever o campo a ser verificado e permitir que várias perguntas o referenciem por meio de chaves.

Veja o exemplo de validação de fatura. state é um texto de fatura:

Invoice #4471 issued March 3, 2026 to Beaver Dam Logistics for $12,840.00, net 30.

Em seguida, a mesma forma de field orienta quatro tipos diferentes de julgamentos: um Noul para validar um valor numérico, um Choice para selecionar um valor entre candidatos e dois Scores para colocar o valor em uma escala:

{
  "questions": {
    "invoice_number_is_correct": {
      "type": "noul",
      "instructions": {
        "field": {
          "name": "invoice_number",
          "type": "string",
          "description": "The identifier printed on the invoice."
        },
        "extracted_value": "4471",
        "question": "Does `extracted_value` match the `field` as it appears in `source_text`?"
      }
    },
    "customer_name": {
      "type": "choice",
      "instructions": {
        "field": {
          "name": "customer_name",
          "type": "string",
          "description": "The organization the invoice was issued to."
        },
        "question": "Which option is the value of `field` in `source_text`?"
      },
      "criteria": {
        "Beaver Logistics": null,
        "Dam Logistics": null,
        "Beaver Dam Logistics": null,
        "Beaver": null,
        "Dam": null
      }
    },
    "payment_terms": {
      "type": "score",
      "instructions": {
        "field": {
          "name": "payment_terms",
          "type": "integer",
          "unit": "days",
          "description": "Days allowed for payment, from terms such as \"net 30\"."
        },
        "question": "How many days does the `field` in `source_text` allow for payment?"
      },
      "criteria": ["Due on receipt", "Net 15", "Net 30", "Net 60", "Net 90 or longer"]
    }
  }
}

O valor deste exemplo reside em demonstrar a reutilização da estrutura: o nome, o tipo, a unidade e a descrição são declarados dentro de field, e cada pergunta precisa apenas especificar “qual julgamento deve ser feito”. Para cenários de extração estruturada, isso é muito mais estável do que escrever um prompt de linguagem natural independente para cada pergunta, pois a semântica do campo é definida apenas uma vez.

Vale notar também o Choice customer_name: as opções são um conjunto de strings aproximadas e facilmente confundíveis (Beaver Logistics / Dam Logistics / Beaver Dam Logistics / Beaver / Dam). Esse tipo de “selecionar o correto entre candidatos semelhantes” é uma força típica do Choice; usar Noul para avaliar um por um seria mais lento e propenso a inconsistências.

Critérios de Score estruturados

Cada item no array criteria do Score pode ser um objeto, usado para adicionar mais informações aos níveis (como intervalos numéricos ou exemplos).

Critérios Noul estruturados

Os criteria do Noul são opcionais. Quando a fronteira entre “sim” e “não” é sutil, as descrições estruturadas de true e false permitem fornecer definições e exemplos em ambos os lados, fixando firmemente a fronteira.

Classificação hierárquica: Choice em cadeia

Para realizar classificações em sistemas de taxonomia profunda, chame o Choice em cadeia, camada por camada, em vez de inserir toda a árvore de classificação nas opções de uma única pergunta de uma vez.

A abordagem é: na primeira camada, pergunte sobre o departamento de nível superior, com as opções sendo os próprios departamentos e os valores sendo a estrutura da subárvore desse departamento. Verifique o probabilities para determinar se a divisão é suficientemente próxima; se for, explore ambos os ramos.

Uma vez que um departamento é selecionado, a próxima camada usa os nós filhos desse departamento como opções e suas subárvores como valores, repetindo o processo até chegar aos nós folha. No código, isso pode ser um loop sobre um dicionário aninhado, onde os criteria de cada pergunta correspondem ao nó atual.

Há um cookbook oficial de Classificação Hierárquica que demonstra uma travessia de árvore semelhante, incluindo a estratégia de manter múltiplos caminhos candidatos usando beam search quando as probabilidades são próximas.

Dica: As subárvores podem ficar grandes. Se um ramo for muito grande, corte os valores para incluir apenas seus nós filhos diretos e uma pequena amostra de nós folha.

Relacionado