Google DeepMind scheint auf dem Vormarsch zu sein. Direkt im Anschluss daran Gemini 3 und Gemini 3 Professional AI-Modellehat das Unternehmen nun Nano Banana Professional angekündigt. Die neue Model von Nano Banana ist in das neueste Gemini 3 Professional eingebettet und wird von diesem angetrieben. Sie verspricht ein völlig neues Niveau der KI-Bildgenerierung und -bearbeitung. Und nein, das ist nicht Ihr üblicher „Das ist das beste KI-Modell da draußen“-Angebot. Ein Blick auf die neuen und verbesserten Funktionen zeigt, dass es sich bei der neuen Nano Banana um ein leistungsstarkes Improve handelt. Blick? Es löst das hirnlähmende, bis ins Mark irritierende Textual content-im-Bild-Drawback, das jeder hat KI-Bildgenerator da draußen kämpft mit.

Für den Fall, dass Ihnen das Improve nicht groß genug battle, erfahren Sie hier, was es Neues beim Nano Banana Professional gibt und wie Sie damit Ihre Fotos bearbeiten können, um die bestmöglichen Ergebnisse zu erzielen.

Fangen wir additionally ohne Verzögerung an.

Nano Banana Professional: Was ist neu?

Bevor wir lernen, es zu nutzen, müssen wir zunächst verstehen, worum es bei dem neuen Improve geht. Wie ich bereits erwähnt habe, ist Nano Banana Professional Teil von Gemini 3 Professional Picture. Dies bedeutet im Grunde, dass das neue Modell das reale Wissen von Gemini nutzt, um „präzise Ergebnisse zu liefern“. Das sind die Worte von Google, nicht von mir, wie sie darin geteilt werden freigeben. Und wenn wir diesen folgen wollen, ermöglicht das Improve Nano Banana nun, alles zu generieren, „von komplexen Infografiken bis hin zu historisch korrekten Szenen“. Dies bringt auch die neu entdeckten Funktionen zur „genauen Textgenerierung“ mit sich.

In diesem Artikel befassen wir uns mehr mit den Bearbeitungsmöglichkeiten, die mit dem einhergehen neues Nano Banana AI-Modell. Wir werden gleich darauf zurückkommen, sobald wir wissen, wie wir auf den neuen Nano Banana Professional zugreifen können.

Nano Banana Professional: Wie greife ich zu?

Zum Glück hat Google das neue Nano Banana AI-Modell nicht hinter obskuren Menüs oder langen Onboarding-Prozessen versteckt. Wenn Sie sich bereits im Gemini-Ökosystem befinden, ist Nano Banana Professional nur einen Klick entfernt, egal ob Sie es gelegentlich ausprobieren, damit bauen oder es in umfassende Arbeitsabläufe integrieren möchten.

Hier finden Sie alle Möglichkeiten, wie Sie noch heute auf Nano Banana Professional zugreifen können:

• Zwillinge (Net oder App): Steigen Sie im Haupterlebnis von Gemini direkt in Nano Banana Professional ein. Dies ist very best für schnelle Bearbeitungen, Experimente oder die spontane Erstellung von Bildern.
• Google AI Studio: Ein praxisorientierterer Arbeitsbereich, in dem Sie Eingabeaufforderungen testen, Ausgaben optimieren und seine Funktionen im Element erkunden können.
• Gemini-API: Wenn Sie Entwickler sind, können Sie das neue Nano-Banana-Modell mithilfe der Gemini-API in Ihre eigenen Apps integrieren und benutzerdefinierte Bildbearbeitungs- oder Generierungsabläufe erstellen.
• Vertex AI Studio: Für Groups und Unternehmen ist Nano Banana Professional über Vertex AI Studio verfügbar, sodass Sie Picture-Pipelines in Produktionsqualität testen, optimieren und bereitstellen können.

Ich würde vorschlagen, dass Sie Nano Banana Professional zuerst in Gemini 3 ausprobieren, über das Web oder die App. Sie können im Rahmen des Basisplans (kostenlos) bis zu 4 hochauflösende Bilder erstellen. Für die Veröffentlichung müssen Sie die kostenpflichtigen Versionen, die bei Rs 975 beginnen, für 2 Monate abonnieren.

Nachdem wir nun wissen, wie Sie auf das Nano Banana Professional zugreifen können, werfen Sie einen Blick auf die vollständigen Funktionen, die es mit sich bringt – und wie Sie damit Ihre Bilder wie ein Profi bearbeiten können.

So bearbeiten Sie Ihre Fotos mit Nano Banana Professional

Wir sind jetzt mittendrin und Sie werden bald erfahren, warum Nano Banana Professional einer der leistungsstärksten KI-Bildeditoren auf dem Markt ist. Machen Sie einfach mit und lassen Sie sich von den Möglichkeiten überwältigen. Vergessen Sie aber nicht, sie zu Ihrem eigenen Wohl zu nutzen.

So verwenden Sie jede dieser Bearbeitungsoptionen:

• Besuchen Google Gemini, indem Sie hier klicken.
• Klicken Sie auf die Choice „Bild erstellen“ unter dem Textfeld, um auf das neue Nano Banana-Modell zuzugreifen.
• Fügen Sie eine kurze Aufforderung hinzu wie: „Verwandeln Sie diese Skizze in ein modernes Smartwatch-Produkt-Rendering in Silber und Schwarz.“
• Sehen Sie, wie Nano Banana Professional Ihr Traumbild zum Leben erweckt.

1. Verwandeln Sie Gekritzel in Produkte, Objekte oder 3D-Gebäude

Wenn Ihre zeichnerischen Fähigkeiten bei Strichmännchen den Höhepunkt erreichen, steht Ihnen Nano Banana Professional zur Seite. Laden Sie einfach eine grobe Skizze hoch und teilen Sie dem Modell mit, was Sie tatsächlich wollen. Nano Banana Professional ist in der Lage, aus einer einfachen Skizze ein ausgefeiltes Produktmodell, ein 3D-Gebäude oder ein realistisches Objektrendering zu erstellen. Schauen Sie sich das im folgenden Beispiel an und lassen Sie sich überraschen.

Aufforderung 1: „Create a Clean Brand in a Graphic Fashion“ ist eine lebendige und verspielte Type der typografischen Illustration, die tief in der Retro-Ästhetik der 1960er und 1970er Jahre verwurzelt ist und lose auf der Skizze basiert. Ihr charakteristisches Merkmal ist eine groovige, psychedelisch inspirierte Schriftart, die sich durch weiche, abgerundete und fließende Buchstabenformen auszeichnet. Folgen Sie nicht genau der Skizze, sondern lassen Sie sich von ihr inspirieren. Die Buchstaben werden gekonnt verzerrt, gedehnt und gestaucht und verlassen so die starre Struktur, um zusammenzufließen und eine zusammenhängende, erkennbare Type zu bilden.

Diese als Kalligramm bekannte Technik verbindet Textual content und Bild meisterhaft, wobei die Type des Wortes seine Bedeutung visuell verkörpert. Das Wort „WAVE“ ist kunstvoll in der fließenden Silhouette einer Welle angeordnet. Das Design ist ein cleveres visuelles Wortspiel, das die Botschaft sofort zugänglich und einprägsam macht.

Die Farbpalette verstärkt das Classic-Feeling und verwendet ein einfaches zweifarbiges Schema mit warmen, oft gedämpften oder erdigen Farben, hellblauem Hintergrund und tiefblauem Brand. Diese Wahl verstärkt den nostalgischen Charme des Kunstwerks. Der Gesamteffekt ist von skurriler Nostalgie und cleverem Grafikdesign geprägt. Es handelt sich um einen mutigen, aber dennoch zugänglichen Stil, der durch die nahtlose Integration von Type und Wort eine einfache, constructive Botschaft vermittelt und so eine unmittelbare und reizvolle visuelle Wirkung erzeugt.

Aufforderung 2: Erstellen Sie nun nacheinander ein Identitätssystem, verwenden Sie 10 hochwertige Modelle mit einer Vielzahl relevanter Produkte, Anzeigen, Werbetafeln, Bushaltestellen usw. und erstellen Sie jeweils eines nach dem anderen im 16:9-Format

Ausgabe:

2. Erzeugen Sie superhochauflösende Bilder

Dies fällt nicht unbedingt in die Kategorie „Bearbeitung“, obwohl dies der naheliegende Schritt für den Anfang jeder grafischen Arbeit ist. Mit Nano Banana Professional können Sie mit einer einzigen Eingabeaufforderung ganz einfach superhochauflösende Bilder in naturgetreuer Qualität erstellen. Fassen Sie einfach Ihre Vorstellungskraft in Worte und geben Sie die Eingabeaufforderung ein, und Sie werden mit Sicherheit ein Ergebnis erhalten, das mit keinem anderen KI-Bildgenerator vergleichbar ist. Hier ist ein Beispiel für Sie in Type einer Eingabeaufforderung, die ich verwendet habe.

Immediate: Erstellen Sie ein hyperrealistisches Bild eines indischen Superhelden, der auf einem hohen Gebäude in Gurugram steht und auf den Relaxation der Stadt hinunterblickt. Der Superheld trägt die Kleidung eines indischen Königs mit einem Dhoti und einer langen, fließenden Kurta in einem hellen und königlichen Farbschema unserer Wahl. Auf den Dächern einiger umliegender Gebäude sehen wir Tafeln von Unternehmen wie Google, Microsoft, AT&T und anderen.

Ausgabe:

3. Spielen Sie mit Farbe und Beleuchtung

Nano Banana Professional zeichnet sich angeblich dadurch aus, dass es die Farben und die Beleuchtung innerhalb eines bestimmten Bildes ändert und dabei die Konsistenz mit den Objekten und dem gesamten Erscheinungsbild des Bildes beibehält. Dies bedeutet, dass Sie Ihre Bilder von Nacht auf Tag umwandeln, die Beleuchtung erhöhen oder verringern können, um die Helligkeit zu erhöhen, oder sogar professionelle Lichteffekte wie Hell-Dunkel erzeugen können. Die Möglichkeiten sind nur durch Ihre Vorstellungskraft begrenzt.

Für Sie haben wir diese Funktion im oben generierten Bild getestet. Schauen Sie sich die Ergebnisse an:

Immediate: Können Sie daraus eine Nachtszene erstellen, bei der die Figur verschlossen bleibt, aber alle sichtbaren Gebäude im Inneren mit Lichtern beleuchtet werden?

Ausgabe:

4. Ändern Sie Winkel und Schussarten

Wie wäre es, wenn Sie Ihre generierten (oder vorhandenen) Bilder aus einem anderen Blickwinkel betrachten würden? Nana Banana Professional macht es jetzt mit einer einzigen Eingabeaufforderung möglich. Weisen Sie das KI-Modell einfach richtig an, was Sie wollen, und es wird es auf möglichst lebendige grafische Weise zum Leben erwecken. Hier finden Sie einige Beispiele, damit Sie diese Funktion in Aktion testen können.

Immediate: Eine Totalaufnahme einer Frau, die im Wald spaziert, mit Sonnenstrahlen und volumetrischer Beleuchtung. Seitenverhältnis 16:9

Ausgabe:

5. Erhöhen Sie die Auflösung oder ändern Sie die Seitenverhältnisse

Mit dem neuen Nano Banana AI-Modell können Sie jetzt jedes Bild je nach Bedarf auf eine Auflösung von 1K, 2K oder 4K hochskalieren. Um dies noch weiter zu ergänzen, können Sie sogar die Seitenverhältnisse ändern, sodass Sie Ihre Fotos ganz einfach an verschiedene Plattformen und Anwendungsfälle anpassen können. Die folgenden Beispiele zeigen diese Funktionen in Aktion.

Aufforderungen: Vergrößern Sie dieses Bild und behalten Sie dabei das Seitenverhältnis 16:9 bei

Ausgabe:

6. Übersetzen Sie Textual content, um Ideen zu lokalisieren

Dieses hier ist für die Vermarkter da draußen. Während die meisten anderen KI-Bildgeneratoren/-editoren immer noch Probleme mit jeglichem Textual content in einem Bild haben, hat Google seinen Nano Banana Professional in dieser Hinsicht offenbar zu einem echten „Profi“ gemacht. Beispiele für seine Verwendung zeigen, dass das KI-Modell in der Lage ist, den gesamten Textual content innerhalb eines Produkts in die Sprache der Wahl des Benutzers zu konvertieren, und das alles ohne einen einzigen Fehler in der Ausgabe. Es versteht sich von selbst, dass dies für Produktwerbung und Advertising von entscheidender Bedeutung ist und Ihnen dabei hilft, jedes grafische Erlebnis mit einer einzigen Eingabeaufforderung zu lokalisieren.

Sehen Sie es sich im folgenden Beispiel in Aktion an.

Immediate: Übersetzen Sie den gesamten englischen Textual content auf den drei gelben und blauen Dosen ins Koreanische, während alles andere beim Alten bleibt

Ausgabe:

7. Erstellen Sie mehrere Bilder gleichzeitig

Zeit für die große Enthüllung. Bewegen Sie sich mit einer einzigen Eingabeaufforderung über einzelne (oder mehrere) Bildausgaben. Mit Nano Banana Professional können Sie jetzt mit einer einzigen Eingabeaufforderung eine ganze Bildrolle erstellen. Stellen Sie sich vor, Sie skizzieren eine ganze Geschichte anhand einer Reihe von Bildern, und das alles mit einer einzigen, detaillierten Eingabeaufforderung. Die gleiche Funktion kann Ihnen auch dabei helfen, mehrere kreative Ideen gleichzeitig zu erkunden, sodass die Suche nach dem richtigen Artistic kein Zufallsspiel mehr ist.

Hier ist ein Blick darauf in Aktion:

Immediate: Berühmter gemeinfreier Kinderfilm im bereitgestellten Stil und im gleichen Farbschema. 10 Bilder einzeln. kein Textual content. Kein einziger Comicstrip, sondern 10 Frames nacheinander generieren, jedes mit eigener Eingabeaufforderung und eigenem Serveraufruf. Jeweils Querformat 16:9

Ausgabe:

Abschluss

Das neue Nano Banana-Modell scheint mehr als nur ein weiteres Improve zu sein Googles Um zu sagen, dass die KI-gestützte Bearbeitung offiziell in eine neue Ära eingetreten ist. Mit seiner Fähigkeit, die Beleuchtung neu zu schreiben, Textual content zu korrigieren, Kamerawinkel zu ändern, auf 4K hochzuskalieren und sogar ein Scribble in ein produktionsfertiges Rendering umzuwandeln, nutzt dieses Device jede kreative Abkürzung, die Sie sich gewünscht haben, und erweckt sie mit einer einzigen Eingabeaufforderung zum Leben. Es ist schnell, flexibel und erschreckend intestine darin, zu verstehen, was Sie gemeint haben, nicht nur, was Sie eingegeben haben.

Egal, ob Sie Designer, Vermarkter, Pupil oder jemand sind, der einfach gerne mit visuellen Elementen spielt, dem Neuen Nano-Banane gibt Ihnen die Artwork von kreativen Superkräften, für die früher ein ganzes Kreativteam erforderlich battle. Und das Beste daran? Sie müssen nichts Neues lernen. Sprechen Sie einfach Ihre Ideen aus und überlassen Sie der KI die schwere Arbeit. Die Zukunft der Bildbearbeitung liegt offiziell im Dialog und Nano Banana Professional ist der Beweis.

Bild von Autor | Leinwand

# Einführung

Gemini Cli ist Googles neuer AI-Assistent von Open-Supply, der in Ihrem Terminal ausgeführt wird. Es bringt das Gemini -Sprachmodell (Gemini 2.5 Professional) direkt in Ihre Shell, damit Sie Fragen stellen, Code generieren, Fehler beheben oder Dokumentation erstellen können, ohne die Befehlszeile zu verlassen. „Gemini“ selbst ist ein LLM und „Gemini Cli“ ist im Grunde ein Benutzerwerkzeug, das das Modell in Ihren Workflows interaktiv macht. Kurz gesagt, es ist wie Chatgpt für Entwickler. Google hat im Juni 2025 Gemini Cli veröffentlicht, und es ist FREI für Einzelpersonen. Sie müssen sich nur mit Ihrem persönlichen Google-Konto anmelden, und es erhalten Sie auf Gemini 2.5 Professional mit einem riesigen Kontextfenster von 1 Million kostenlos (bis zu 60 Anfragen/Minute und 1.000/Tag). Es ist eine großartige kostenlose und Open -Supply -Various zu KI -Codierungsassistenten wie dem Claude -Code von Anthropic.

Lassen Sie mich Ihnen beim Setup helfen und Sie durch einige Beispiele führen, um die Bedeutung hervorzuheben.

# Einrichten von Gemini CLI in Ihrem System

Um Gemini CLI zu installieren, benötigen Sie eine Befehlszeilenumgebung (Terminal auf MacOS/Linux, PowerShell oder ähnlichem unter Home windows) und entweder Homebrew oder Node.js. Auf macOS ist die einfachste Methode über Homebrew:

1. Installieren Sie Gemini CLI über Homebrew: Führen Sie den folgenden Befehl in Ihrem Terminal aus
2. Alternativ installieren Sie über Knoten (jedes Betriebssystem): Wenn Sie Homebrew bevorzugen oder nicht verwenden, installieren Sie Node.js (Model 20 oder höher. Dann rennen Sie:

npm set up -g @google/gemini-cli

oder

npx https://github.com/google-gemini/gemini-cli

Dies installiert die CLI weltweit auf MacOS, Linux oder Home windows. Node.js v20+ ist erforderlich; Sie können es herunterladen nodejs.org Oder verwenden Sie NVM, um Versionen zu verwalten.

Nach der Set up können Sie einfach den folgenden Befehl ausführen, um die Gemini-CLI zu starten:

Das sollte Starten Sie die CLI (Wenn Sie das „Gemini Cli“ ASCII -Banner sehen, sind Sie festgelegt). Wenn Gemini nicht gefunden wird, müssen Sie möglicherweise ein neues Terminal öffnen oder Ihrem Weg den globalen Bin von NPM hinzufügen. Sie werden so etwas sehen:

Screenshot des Gemini CLI -Begins

Im ersten Lauf fordert die Gemini CLI auf, ein Farbthema (hell oder dunkel) auszuwählen und sich dann mit Ihrem Google -Konto anzumelden. Befolgen Sie die Anweisungen im Browser (oder der CLI) zur Genehmigung. Wenn Sie es vorziehen, einen API -Schlüssel anstelle von Anmeldung zu verwenden, können Sie festlegen Gemini_api_key = „your_key“ In Ihrer Umgebung (siehe Google AI Studio, um einen Schlüssel zu generieren). Nach der Authentifizierung bestätigt die CLI, dass sie verwendet werden kann.

# Führen Sie Ihre ersten Gemini CLI -Befehle aus

Mit der Einrichtung von Gemini CLI können Sie sofort mit natürlichen Sprachbefehlen beginnen. Es öffnet eine Eingabeaufforderung (markiert markiert >) wo Sie Fragen oder Aufgaben eingeben. Versuchen wir zum Beispiel eine einfache Eingabeaufforderung und fragen Sie: „Schreiben Sie einen kurzen Absatz darüber, warum Gemini Cli großartig ist.“ Hier ist Ausgabe:

Screenshot von Gemini CLI: Einfaches Absatzschreiben

// Aufgabe 1: Behebung von Fehler mit Gemini CLI

Gemini CLI kann sich in Instruments wie GitHub oder Ihr lokales Git integrieren, um Probleme zu finden. Lassen Sie uns beispielsweise das integrierte @Search-Device zum Abrufen einer GitHub-Drawback-URL verwenden und dann nach einem Fixplan bitten:

Immediate (Supply):

Right here’s a GitHub subject: (@search https://github.com/google-gemini/gemini-cli/points/4715). Analyze the code and recommend a 3-step repair plan.

Die CLI identifizierte die Grundursache und schlug vor, wie der Code geändert werden soll. Der folgende Screenshot zeigt, dass es einen 3-Stufen-Plan meldet. Sie können den Plan überprüfen und dann bestätigen, dass Gemini CLI die Änderungen automatisch auf Ihre Dateien anwendet.

Screenshot von Gemini CLI: Behebung von Fehler

// Aufgabe 2A: Arbeiten mit einem Projekt (einfaches Beispiel)

Ich habe einen Projektordner erstellt, indem ich das Gitdiagram -Repo kloniert habe. Wenn Sie mehr über dieses Repo erfahren möchten, besuchen Sie meinen Artikel: Machen Sie ein 10K+ Line Github Repo, ohne den Code zu lesen. Navigieren wir zu unserem Projektordner mit:

Jetzt rennen Zwillinge. Sie können Fragen zum Code stellen. Versuchen wir die folgende Eingabeaufforderung:

Immediate:
Clarify the principle parts of this codebase

Gemini CLI scannt die Dateien und verwendet das Gemini -Modell, um zusammenzufassen oder zu antworten, wie im folgenden Screenshot gezeigt:

Screenshot von Gemini CLI: Arbeit mit einem Projekt (einfaches Beispiel)

Es analysierte die Ordner und gab eine strukturierte Zusammenfassung zurück (Auflistungsverzeichnisse wie SRC/, Public/usw.). Dies ist praktisch für das Onboarding in neuen Projekten oder die Generierung von Dokumentationen.

// Aufgabe 2B: Arbeiten mit einem Projekt (erweitertes Beispiel)

Die Erkundung der Codebasis ist einfach. Lassen Sie uns nun eine technische Aufgabe geben, um zu sehen, wie sich die Ausgabe entwickelt. Wir werden Gemini die folgende Aufforderung zur Verfügung stellen:

Immediate:
Analyze this repo for frequent efficiency anti-patterns.

Screenshot von Gemini CLI: Arbeit mit einem Projekt (Superior Beispiel)

Die Antwort struggle so detailliert, dass ich den Startteil nur in den Screenshot aufgenommen habe. Gemini CLI hat einen detaillierten Plan erstellt und dann jede Datei unabhängig voneinander gelesen. Am Ende teilte es eine Zusammenfassung der potenziellen Leistungs-Anti-Muster zusammen mit den empfohlenen nächsten Schritten:

Abstract of potential efficiency anti-patterns based mostly on preliminary evaluation:
   1. Massive Frontend Bundle Measurement:
       * Mermaid Library: The mermaid library is probably going a major contributor to the bundle measurement. If it is not
         lazy-loaded, it's going to impression preliminary web page load efficiency.
       * `react-icons`: Relying on the way it's imported, it may possibly additionally contribute to bundle measurement if not tree-shaken
         successfully.
   2. Unoptimized Picture Utilization: Whereas Subsequent.js has subsequent/picture, with out inspecting the precise picture utilization in parts,
      it is laborious to say if pictures are correctly optimized (e.g., right sizes, codecs, lazy loading).
   3. Potential Backend Efficiency Points (Python & Node.js):
       * N+1 Queries: This can be a frequent database anti-pattern that may considerably decelerate knowledge retrieval.
       * Lack of Caching: If regularly accessed knowledge is just not cached on the utility or database degree, it may possibly lead
         to redundant computations and database hits.
       * Synchronous Operations: Blocking I/O in both backend may result in efficiency bottlenecks underneath heavy load.
   4. `reactStrictMode: false`: Whereas not a direct anti-pattern, it may possibly cover potential efficiency points associated to
      React's rendering habits throughout improvement.
   5. Growth-like Docker Quantity Mount: Mounting all the backend listing within the Docker container is much less
      optimum for manufacturing builds in comparison with copying solely crucial recordsdata.

  To substantiate these, additional investigation can be wanted, together with:

   * Bundle Evaluation: Utilizing instruments like @subsequent/bundle-analyzer to establish giant modules within the frontend.
   * Efficiency Profiling: Working the applying and utilizing browser developer instruments (for frontend) and backend
     profiling instruments to establish bottlenecks.
   * Code Overview: Deep diving into the src/ and backend/ code to establish particular situations of the anti-patterns
     talked about.

Diese Beispiele zeigen, wie Gemini CLI einfache Eingabeaufforderungen in echte Aktionen verwandelt. Sie können Code abfragen, es generieren oder refaktorieren, Fehler beheben und die Leistung verbessern, alles aus Ihrem Terminal.

# Einpacken

Gemini Cli ist ein leistungsstarkes neues Werkzeug für Entwickler. Sobald Sie es auf MacOS (oder einem beliebigen Betriebssystem) installiert haben, können Sie mit Googles Gemini LLM von Google so einfach interagieren wie bei jedem lokalen Befehl. Einige der wichtigsten Funktionen, die es anders machen, sind:

1. React Agent Loop: Innen wird eine React Agent -Schleife mit Ihrer lokalen Umgebung durchgeführt. Dies bedeutet, dass Sie entscheiden können, wann Sie ein Device (suchen, ausführen, Shell ausführen, Datei bearbeiten) anrufen sollen, und wann direkt beantwortet werden soll. Zum Beispiel hat es bei Bedarf eine URL mit @search abgerufen.
2. Integrierte Werkzeuge: Es verfügt über integrierte „Instruments“ wie GREP, Echo, Datei lesen/schreiben und Sie können Websuche oder Dateisystemabfragen von Eingabeaufforderungen aufrufen.
3. Multimodale Funktionen: Gemini CLI kann sogar mit Bildern/PDFs arbeiten (da Gemini multimodal ist). Es unterstützt die Integration mit dem externen Modellkontext -Protokoll (MCP) -Server, z. Auf diese Weise können Sie Dinge wie „Code aus dieser Skizze generieren“ oder „einen PDF zusammenfassen“ tun.

Probieren Sie es aus: Öffnen Sie nach dem Befolgen des oben genannten Setups ein Terminal in einem Projektordner, geben Sie Gemini ein und beginnen Sie mit dem Experimentieren. Sie werden schnell sehen, wie ein KI -Begleiter in Ihrer Hülle Ihre Produktivität dramatisch steigern kann!

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Technology -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.

Bild von Autor | Leinwand

# Einführung

Traditionelles Debuggen mit print() Oder Protokollierung funktioniert, aber es ist langsam und klobig mit LLMs. Phoenix bietet eine Zeitleisteansicht aller Schritt-, Aufforderungs- und Antwortinspektion, Fehlererkennung mit Wiederholungen, Sichtbarkeit in Latenz und Kosten sowie ein vollständiges visuelles Verständnis Ihrer App. Phoenix von Arize AI ist ein leistungsstarkes Open-Supply-Beobachtungs- und -verfolgungswerkzeug, das speziell für LLM-Anwendungen entwickelt wurde. Es hilft Ihnen, alles in Ihren LLM -Pipelines visuell zu überwachen, zu debuggen und zu verfolgen. In diesem Artikel gehen wir durch das, was Phoenix tut und warum es wichtig ist, wie man Phoenix Schritt für Schritt in Langchain integriert und wie man Spuren in der UI von Phoenix visualisiert.

# Was ist Phoenix?

Phoenix ist ein Open-Supply-Beobachtbarkeits- und Debugging-Instrument für Großsprachmodellanwendungen. Es erfasst detaillierte Telemetriedaten aus Ihren LLM -Workflows, einschließlich Eingabeaufforderungen, Antworten, Latenz, Fehlern und Werkzeugen, und präsentiert diese Informationen in einem intuitiven interaktiven Dashboard. Mit Phoenix können Entwickler zutiefst verstehen, wie sich ihre LLM -Pipelines im System verhalten, Probleme mit schnellen Ausgaben identifizieren und debuggen, Leistungs Engpässe analysieren, mit Token und zugehörigen Kosten überwachen und alle Fehler/Wiederholungslogik während der Ausführungsphase verfolgen. Es unterstützt konsistente Integrationen mit beliebten Frameworks wie Langchain und Llamaindex und bietet auch OpenTelemetry -Unterstützung für maßgeschneiderte Setups.

# Schritt-für-Schritt-Setup

// 1. Installieren der erforderlichen Bibliotheken

Stellen Sie sicher, dass Sie Python 3.8+ haben und die Abhängigkeiten installieren:

pip set up arize-phoenix langchain langchain-together openinference-instrumentation-langchain langchain-community

// 2. Starten Sie Phoenix

Fügen Sie diese Zeile hinzu, um das Phoenix -Dashboard zu starten:

import phoenix as px
px.launch_app()

Dies startet ein lokales Armaturenbrett bei http: // localhost: 6006.

// 3.. Erstellen der Langchain -Pipeline mit Phoenix -Rückruf

Lassen Sie uns Phoenix anhand eines Anwendungsfalls verstehen. Wir bauen einen einfachen Langchain-Chatbot. Jetzt wollen wir:

• Debuggen, wenn die Eingabeaufforderung funktioniert
• Überwachen Sie, wie lange das Modell dauert, um zu reagieren
• Verfolgen Sie die Einlaufstruktur, die Modellverwendung und die Ausgänge
• Sehen Sie all dies visuell an, anstatt alles manuell zu protokollieren

// Schritt 1: Starten Sie das Phoenix -Dashboard im Hintergrund

import threading
import phoenix as px

# Launch Phoenix app regionally (entry at http://localhost:6006)
def run_phoenix():
    px.launch_app()

threading.Thread(goal=run_phoenix, daemon=True).begin()

// Schritt 2: Registrieren Sie Phoenix mit Opentelemetry & Instrument Langchain

from phoenix.otel import register
from openinference.instrumentation.langchain import LangChainInstrumentor

# Register OpenTelemetry tracer
tracer_provider = register()

# Instrument LangChain with Phoenix
LangChainInstrumentor().instrument(tracer_provider=tracer_provider)

// Schritt 3: Initialisieren Sie die LLM (zusammen API)

from langchain_together import Collectively

llm = Collectively(
    mannequin="meta-llama/Llama-3-8b-chat-hf",
    temperature=0.7,
    max_tokens=256,
    together_api_key="your-api-key",  # Change along with your precise API key
)

Bitte vergessen Sie nicht, den „Your-api-Key“ durch Ihren tatsächlichen zusammen.ai-API-Schlüssel zu ersetzen. Sie können es mit diesem erhalten Hyperlink.

// Schritt 4: Definieren Sie die Eingabeaufforderung Vorlage

from langchain.prompts import ChatPromptTemplate

immediate = ChatPromptTemplate.from_messages((
    ("system", "You're a useful assistant."),
    ("human", "{query}"),
))

// Schritt 5: Kombinieren Sie Eingabeaufforderung und Modell in eine Kette

// Schritt 6: Stellen Sie mehrere Fragen und drucken Antworten

questions = (
    "What's the capital of France?",
    "Who found gravity?",
    "Give me a motivational quote about perseverance.",
    "Clarify photosynthesis in a single sentence.",
    "What's the pace of sunshine?",
)

print("Phoenix working at http://localhost:6006n")

for q in questions:
    print(f" Query: {q}")
    response = chain.invoke({"query": q})
    print(" Reply:", response, "n")

// Schritt 7: Halten Sie die App für die Überwachung am Leben

strive:
    whereas True:
        go
besides KeyboardInterrupt:
    print(" Exiting.")

# Verständnis von Phoenix -Spuren und Metriken

Bevor wir die Ausgabe sehen, sollten wir zuerst Phoenix -Metriken verstehen. Sie müssen zuerst verstehen, welche Spuren und Spans sind:
Verfolgen: Jede Spur stellt einen vollständigen Lauf Ihrer LLM -Pipeline dar. Zum Beispiel wie jede Frage wie „Was ist die Hauptstadt Frankreichs?“ erzeugt eine neue Spur.
Spannweiten: Jede Spur ist von mehreren Spannweiten gemischt, die jeweils eine Stufe in Ihrer Kette darstellen:

• ChatpromptTemplate.Format: Eingabeaufforderung Formatierung
• Togetherll.invoke: LLM Name
• Alle benutzerdefinierten Komponenten, die Sie hinzufügen

Metriken professional Spur gezeigt

Jetzt besuchen Sie http: // localhost: 6006 Um das Phoenix -Dashboard anzuzeigen. Sie werden so etwas sehen wie:

Öffnen Sie die erste Spur, um seine Particulars anzuzeigen.

# Einpacken

Um es abzuschließen, macht es Arize Phoenix unglaublich einfach, Ihre LLM -Anwendungen zu debuggen, zu verfolgen und zu überwachen. Sie müssen nicht erraten, was schief gelaufen ist oder durch Protokolle graben. Alles ist genau richtig: Aufforderungen, Antworten, Timings und mehr. Es hilft Ihnen, Probleme zu erkennen, die Leistung zu verstehen und einfach bessere KI -Erlebnisse mit viel weniger Stress aufzubauen.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Era -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.

Haben Sie sich jemals gefragt, wie Entwickler in wenigen Tagen KI -Ideen in voll funktionsfähige Apps verwandeln? Es magazine wie Magie aussehen, aber es geht darum, die richtigen Instruments clever und effizient zu verwenden. In diesem Handbuch untersuchen Sie 7 wesentliche Instruments zum Erstellen von AI -Apps, die alles von Datenvorbereitung und intelligenter Logik bis hin zu Sprachmodellintegration, Bereitstellung und Benutzeroberflächendesign optimieren. Unabhängig davon, ob Sie einen schnellen Prototyp erstellen oder eine produktionsbereite Anwendung auf den Markt bringen, kann es den Unterschied machen, zu verstehen, welche Instruments verwendet werden sollen und warum.

Instruments spielen eine zentrale Rolle bei AI -Anwendungen. Sie können als Kernkomponenten Ihrer AI -App dienen oder Schlüsselfunktionen unterstützen, die die Funktionalität verbessern. Das Integrieren von Instruments erhöht die Fähigkeit einer KI -Anwendung erheblich, genaue und zuverlässige Ergebnisse zu erzielen. Das folgende Diagramm zeigt den typischen Datenfluss innerhalb einer AI -Anwendung:

1. Der Benutzer beginnt mit der Eingabe von Daten (z. B. einer Abfrage).
2. Diese Eingabe fließt durch die LLM/API, die Argumentation und Inhaltserzeugung durchführt.
3. Als nächstes koordiniert die Orchestrierungsschicht Prozesse und stellt eine Verbindung zu einer Vektor -Datenbank her.
4. Schließlich interagiert der Benutzer über eine Entrance-Finish-Schnittstelle mit dem System.

Erforschen wir nun die 7 Kernwerkzeuge, mit denen heute KI -Apps erstellt werden. Während Ihr genauer Stack je nach Zielen und Vorlieben variieren kann, bietet Ihnen dieses Toolkit eine vielseitige, skalierbare Grundlage für jedes KI-gesteuerte Projekt.

Werkzeug 1: Programmiersprachen

Eine Programmiersprache ist die Grundlage eines KI -Projekts. Es definiert das Ökosystem des Projekts. Es hilft auch bei der Bestimmung der Bibliotheken, die wir in unserem Projekt verwenden werden. Einige Programmiersprachen wie Python und JavaScript bieten eine große Anzahl von Bibliotheken für die Entwicklung von AI -Anwendungen. Zu den wichtigsten Auswahlmöglichkeiten gehören Python und JavaScript.

Werkzeug 2: Sprachmodelle und API

Große Sprachmodelle (LLMs) fungieren als Gehirn in AI -Apps. Diese LLMs sind Sprachmodelle, die Fragen effektiv beantworten können, indem sie über eine Benutzerabfrage nachdenken. Die Integration dieser LLMs in Ihre KI-Anwendungen führt dazu, dass Ihre Anwendungs-Supermächte so denken und entsprechend Entscheidungen treffen können, anstatt die IF-ELSE-Bedingungen zu hartcodieren.

• Es gibt mehrere LLMs auf dem Markt, die Open Supply oder im Handel erhältlich sind. Llms wie Openai’s GPT-4OClaude Sonnet 4 und Gemini 2.5 Professional sind einige der im Handel erhältlichen LLMs.
• LAMA 4, Deepseek R1 sind einige der auf dem Markt vorhandenen Open-Supply-LLMs.
• Diese LLMs bieten Integrationsmethoden wie OpenAI -Completion -API oder Huggingface -Endpunkte, anhand derer wir diese LLMs problemlos in unsere AI -Anwendungen integrieren können.

Werkzeug 3: Selbsthosting LLMs

Wenn Sie Ihre persönlichen Daten nicht einem KI -Unternehmen aussetzen möchten. Einige Plattformen bieten Ihr lokales System Selbsthostfähigkeit. Auf diese Weise gewährleistet eine größere Kontrolle, Privatsphäre sowie Kosteneinsparungen. Plattformen wie Openllm, Ollama und VLLM bieten eine große Anzahl von Open-Supply-LLMs, die auf Ihrem lokalen System gehostet werden können. Zu den wichtigsten Plattformen für Selbsthosting von Open-Supply-LLMs gehören:

• Openllm: Ein optimiertes Toolkit, mit dem Entwickler ihre eigenen LLMs (wie Lama, Mistral) als OpenAI-kompatible API-Endpunkte mit integrierter Chat-Benutzeroberfläche hosten können.
• Ollama: Es ist bekannt, das lokale LLM -Internet hosting zu vereinfachen. Sie können es einfach installieren und einfach über Terminal- oder REST -API ausführen.
• vllm: Es ist ein Inferenzmotor von UC Berkeley. Es ist ein Hochleistungswerkzeug, das die LLM-Serviergeschwindigkeit und die Speichereffizienz stärkt.

Werkzeug 4: Orchestrierungs -Frameworks

Sie haben Ihre Instruments, verschiedene LLMs und Frameworks definiert, aber jetzt werden Sie sie alle zusammen kompilieren. Die Antwort sind Orchestrierungsrahmen. Diese Frameworks werden häufig verwendet, um verschiedene Elemente Ihrer Instruments in Ihrer KI -Anwendung zu kombinieren. Zu den Anwendungsfällen gehören die Erhöhung von Angaben, Speicherimplementierung und das Abrufen in Workflows. Einige Frameworks umfassen:

• Langchain: Es ist ein leistungsstarker Open-Supply-Rahmen für den Aufbau von LLM-Antriebsanwendungen. Es vereinfacht den vollständigen Entwicklungslebenszyklus wie Proform -Administration- und Agenten -Workflows.
• Llamaindex: Es fungiert als Brücke zwischen Ihren Daten (Datenbanken, PDFs, Dokumente) und großsprachigen Modellen zum Erstellen eines kontextbezogenen KI -Assistenten.
• Autogen: Es handelt sich um ein Open-Supply-Multi-Agent-Orchestrierungs-Framework, mit dem AI-Agenten durch asynchrone Nachrichten in einer Umgebung zusammenarbeiten können.

Lesen Sie auch: Vergleich zwischen Langchain und Llamaindex

Instrument 5: Vektordatenbanken & Abruf

Moderne AI -Anwendungen erfordern spezielle Arten von Datenbanken, um Daten zu speichern. Frühere Anwendungsdaten werden häufig als Tabelle oder Objekte gespeichert. Jetzt hat sich der Speicher geändert. AI -Anwendungen speichern hoch dichte Einbettungen, für die eine spezielle Artwork von Datenbank wie Vector -Datenbank erforderlich ist. Diese Datenbanken speichern die Einbettungen optimiert, sodass Such- oder Ähnlichkeitssuche so reibungslos wie möglich sein kann. Es ermöglicht eine reibungslose Abruf Era (LAG). Einige Vektordatenbank umfassen:

• Tannenzapfen: Es handelt sich um eine Cloud Native Vector -Datenbank, die eine optimierte und hohe Leistungsstufe für die nächste Nachbarn (ANN) im Maßstab bietet. Es verfügt über eine vollständig verwaltete Integration für semantische Suche.
• Faiss (Fb AI -Ähnlichkeitssuche): Es handelt sich um eine leistungsstarke Open-Supply-Bibliothek, die für große Clusterbildung und semantische Suche vollständig optimiert ist. Es unterstützt sowohl CPU als auch GPU, wodurch die Geschwindigkeit des Abrufs erhöht wird.
• Chromadb: Es handelt sich um eine Open-Supply-Vektordatenbank, in der der Speicher in Reminiscence betont wird, was bedeutet, dass die Einbettungen im lokalen System gespeichert werden. Es gewährleistet einen hohen Durchsatz und skalierbaren Umgang oder Einbettungen.

Werkzeug 6: UI -Entwicklungsoberflächen

Eine AI -Anwendung benötigt eine Frontend, um dem Benutzer mit seiner Komponente zu interagieren. In Python gibt es einige Frameworks, die eine Mindestmenge an Code erfordern, und Ihr Frontend ist in Minuten fertig. Diese Frameworks sind leicht zu lernen und haben bei der Verwendung viel Flexibilität. Dadurch können Benutzer visuell mit KI -Modellen interagieren. Einige Frameworks umfassen:

• Straffung: Eine Open -Supply -Python -Bibliothek, die Datenskripte in Webanwendungen mit Echtzeit -Updates, Diagrammen und Widgets umwandelt, ohne Kenntnisse über Frontend -Codierung zu kennen.
• Gradio: Es handelt sich um eine leichte Bibliothek, mit der Sie jede Funktion oder ein KI -Modell als Webanwendung mit Eingabe- und Ausgabefeldern, Dwell Sharable -Hyperlinks und einfacher Bereitstellung einwickeln können.

Lesen Sie auch: Stromlit gegen Gradio: Dashboards in Python bauen

Instrument 7: Mlops & Bereitstellung

Machine Studying Operatons (MLOPS) ist ein fortschrittliches Konzept für die Erstellung von AI -Anwendungen. Anwendungen der Produktionsstufe benötigen Daten zu Modelllebenszyklus und Überwachung. Mlops orchestrieren Sie die gesamte ML -Lebenszyle, die von der Entwicklung bis zur Überwachung der Leistung beginnt. Es schafft eine Brücke zwischen AI -Anwendungsentwicklung und seiner Bereitstellung. Es gibt einige Instruments, die diese Prozesse vereinfachen. Kernwerkzeuge und Plattformen:

• Mlflow: Es erleichtert die Experimentverfolgung, die Modelle Registrierung und erstellt einen Inferenzserver. Die Anwendung kann mit MLSERVER oder sogar FASTAPI containerisiert und bereitgestellt werden.
• Kubernetes: Es ermöglicht die Bereitstellung von KI- und ML -Anwendungen, die normalerweise in Docker -Containern verpackt sind, so dass der Bereitstellungsprozess einfacher ist, die Skalierbarkeit und Verfügbarkeit erhöht.

Lesen Sie auch: Bauen von LLM -Anwendungen mit einem schnellen Engineering

Abschluss

Mit diesem Leitfaden können Sie die richtigen Werkzeuge zum effektiven Erstellen von AI -Apps auswählen. Programmiersprachen wie Python bilden die Stiftung, indem sie die Logik und das Ökosystem der App definieren. LLMs und APIs fügen Intelligenz hinzu, indem sie Argumentation und Inhaltsgenerierung ermöglichen, während selbst gehostete Modelle mehr Kontrolle und Privatsphäre bieten. Orchestrierungsrahmen wie Langchain und Autogen helfen, Eingabeaufforderungen zu ketten, Speicher zu verwalten und Instruments zu integrieren. Vektordatenbanken wie Pinecone, Faiss und Chromadb unterstützen die schnelle semantische Such- und Stromabruf-Era. UI-Instruments wie Streamlit und Gradio machen es einfach, benutzerfreundliche Schnittstellen zu erstellen, und MLOPS-Plattformen wie MLFlow und Kubernetes verwalten Bereitstellung, Überwachung und Skalierung.

Mit diesem Toolkit ist das Erstellen intelligenter Anwendungen zugänglicher als je zuvor.

Häufig gestellte Fragen

Harsh Mishra ist ein KI/ML -Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit tatsächlichen Menschen. Leidenschaft über Genai, NLP und Maschinen schlauer (damit sie ihn noch nicht ersetzen). Wenn er Fashions nicht optimiert, optimiert er wahrscheinlich seine Kaffeeaufnahme.

Die meisten von uns nutzen ChatGPT heute zum Erstellen von Inhalten, für Recherchen und für eine Reihe anderer täglicher Aufgaben. Wussten Sie, dass Sie jetzt auf ChatGPT mehr kontextbezogene Antworten erhalten und bestimmte Teile des Inhalts bearbeiten können? Ja, dies ist jetzt mit der Canvas-Integration im GPT-4o-Modell von OpenAI möglich. Mit GPT-4o mit Canvas können Sie Änderungen an generierten Inhalten vornehmen, Code bearbeiten und debuggen sowie eine Reihe anderer Aufgaben erledigen – und das mit größerer Präzision als zuvor. In diesem Artikel werden wir die verschiedenen neuen Funktionen des Canvas-basierten GPT-4o erkunden und sehen, wie wir sie für die Inhaltserstellung, Code-Debugging und mehr nutzen können.

Was ist GPT-4o mit Canvas?

GPT-4o mit Canvas ist ein GenAI-basierter interaktiver Arbeitsbereich, der auf der ChatGPT-Plattform von OpenAI verfügbar ist. Es ermöglicht Benutzern, Inhalte basierend auf mehreren Rückmeldungen iterativ zu erstellen, zu bearbeiten, zu überprüfen und zu optimieren. Es ermöglicht Benutzern grundsätzlich eine natürlichere und produktivere Interaktion mit dem Modell und gibt an, wie genau sie Textual content und Code erstellen oder bearbeiten möchten. Das generative Instrument verfügt sogar über integrierte Verknüpfungen für einige der am häufigsten erforderlichen Bearbeitungen. Dadurch ist es für bestimmte Aufgaben effektiver als die Commonplace-GPT-4-Schnittstelle.

Sie können ganz einfach auf das Modell zugreifen, indem Sie in der Dropdown-Liste „GPT-4o mit Leinwand“ auswählen ChatGPT-Homepage. Bitte beachten Sie, dass dieses Modell nur zahlenden Abonnenten von ChatGPT zur Verfügung steht. Der GPT-4o mit Canvas öffnet automatisch ein intuitives Chat-Fenster, wenn er Inhalte mit mehr als 10 Zeilen generiert oder ein Szenario erkennt, in dem er hilfreich wäre.

Lesen Sie auch: So können Sie die GPT 4o-API für Imaginative and prescient, Textual content, Bilder und mehr verwenden

Funktionen von GPT-4o mit Canvas

Lassen Sie uns nun einige der besten Funktionen von GPT-40 mit Canvas erkunden.

1. Verbesserte Erfahrung bei der Dokumentenbearbeitung

GPT-4o mit Canvas kann Ihnen dabei helfen, neue Dokumente zu erstellen, sie zu speichern und spezifische Änderungen basierend auf Ihren Anforderungen vorzunehmen. Sie können das Modell anweisen, bestimmte Änderungen an vorhandenen Dokumenten vorzunehmen oder bestimmte Abschnitte des Inhalts in Echtzeit anzupassen. Dies erleichtert die Verfeinerung langer Inhalte wie Blogs, Berichte und Skripte. Dieser iterative Bearbeitungsansatz ist ohne Canvas nicht verfügbar.

Während des Bearbeitungsprozesses fügt Canvas suggestive Kommentare hinzu, ähnlich wie Sie in kollaborativen Dokumenttools interagieren, sodass Sie Vorschläge überprüfen und genehmigen können. Darüber hinaus bietet es Ihnen einige integrierte Bearbeitungsoptionen wie das Festlegen der Lesestufe, das Anpassen der Länge des Stücks und das Hinzufügen von Emojis oder einem letzten Schliff. Sie finden diese, indem Sie mit der Maus über das Stiftsymbol in der unteren rechten Ecke fahren.

Hier ist ein Beispiel, in dem ich GPT-4o mit Canvas verwendet habe, um „einen Artikel zum Thema „Was ist KI“ zu erstellen?“ Als ich es bat, einige Verbesserungen vorzuschlagen, fügte das Modell nebenbei Kommentare hinzu, ohne den Artikel direkt zu bearbeiten.

Dann wählte ich einen Absatz aus und forderte das Modell im angezeigten Popup „Ask ChatGPT“ auf, ihn ins Französische zu konvertieren. Dasselbe habe ich mit einer Reihe von Aufzählungspunkten gemacht und ChatGPT gebeten, daraus eine nummerierte Liste zu machen. Diese Änderungen wurden in Echtzeit vorgenommen, ohne dass der gesamte Inhalt neu generiert werden musste.

Anwendungsfälle aus der Praxis

Angenommen, Sie schreiben einen Blogbeitrag zu einem bestimmten Thema. Mit dem Canvas von GPT-4o können Sie den Artikel generieren und im selben Fenster über Kommentare statt separater Eingabeaufforderungen bearbeiten. So können Sie es machen:

• Markieren Sie einen Absatz zum Umformulieren, wenn er nicht ganz den gewünschten Ton trifft.
• Verwenden Sie Inline-Kommentare, um Notizen oder Ideen zu notieren, die erweitert werden müssen.
• Passen Sie die Länge des Artikels mit nur zwei Klicks an.
• Wählen Sie einfach die Kategorie Ihrer Zielgruppe aus und lassen Sie den Inhalt an deren Leseniveau anpassen.
• Nehmen Sie bei Bedarf alle manuellen Änderungen im selben Fenster vor und fügen Sie den letzten Schliff hinzu, um es für die Veröffentlichung vorzubereiten.

Wenn Sie stattdessen einen Forschungsvorschlag oder eine wissenschaftliche Arbeit verfassen, können Sie das Canvas-basierte GPT-4o verwenden, um Inline-Zitate oder Vorschläge für wissenschaftliche Referenzen anzufordern.

Wenn Sie Lehrer sind, können Sie GPT-4o verwenden, um detaillierte Inhaltsskizzen, Kursmaterialien und Assessments zu erstellen. Aber mit Canvas können Sie das Modell bitten, Fachbegriffe zu klären, einfachere Erklärungen zu generieren oder den Inhalt an das Leseniveau Ihrer Schüler anzupassen.

2. Verbesserte Codedokumentation und -iteration

Mit Canvas können Sie sprachspezifische Codedateien in Python, JavaScript, SQL usw. generieren und verwalten. Ähnlich wie bei der Dokumentbearbeitung können Sie den Code iterativ bearbeiten oder verbessern, ohne ihn wie üblich hin und her kopieren und einfügen zu müssen im regulären GPT-4o.

Das Canvas-Modell ist auch in der Lage, verschiedene Arten von Inhalten, wie zum Beispiel „Code/Python“ oder „Dokument“, zu erkennen und unterschiedlich zu bearbeiten. Darüber hinaus enthält es einige voreingestellte anklickbare Symbole zum Überprüfen des Codes, zum Debuggen, zur Sprachportierung und zum Hinzufügen von Protokollen. Mit diesen Funktionen können Sie diese Dinge mit nur zwei Klicks erledigen, ohne Eingabeaufforderungen schreiben zu müssen!

Probieren wir nun diese Funktionen aus. Zuerst werde ich mit Canvas Code auf GPT-4o generieren und dabei die Eingabeaufforderung „Code zum Erstellen einer Backend-Engine für eine Weblog-Plattform schreiben“ verwenden.

Wie Sie im Bild sehen können, enthält die Antwort Anweisungen und Erklärungen zur Implementierung.

Fügen wir nun unserem Code etwas Dokumentation hinzu.

Lassen Sie mich Ihnen zeigen, wie einfach es ist, diesen Code mit Canvas-basiertem GPT-4o in JavaScript zu konvertieren.

Ich habe sogar den Code debuggen lassen und mit nur wenigen Klicks Protokolle hinzugefügt.

Anwendungsfälle aus der Praxis

Wenn Sie ein Python-Skript zur Automatisierung der Datenextraktion mithilfe von GPT-4o mit Canvas entwickeln, können Sie:

• Schreiben Sie Ihren ersten Code und bitten Sie das Modell um Echtzeit-Suggestions.
• Markieren Sie einen bestimmten Codeblock, wenn er Fehler auslöst, und lassen Sie ihn mit einem Klick debuggen.
• Lassen Sie den Code überprüfen und erhalten Sie Suggestions zu Verbesserungen in Kind von Kommentaren.
• Fügen Sie Protokolle und Kommentare hinzu, um die Dokumentation nach Bedarf mit nur wenigen Klicks zu erstellen, ohne dass diese durch Eingabeaufforderungen erläutert werden müssen.
• Portieren Sie den Code mit nur einem Klick in eine andere Sprache.

Stellen Sie sich nun ein Szenario vor, in dem Sie Code für ein Gemeinschaftsprojekt überprüfen. Sie können GPT-4o mit Canvas verwenden, um:

• Überprüfen Sie den Code, indem Sie Abschnitte mit Anmerkungen versehen, in denen das Modell Vorschläge oder Korrekturen machen kann.
• Erstellen Sie neben dem Code eine Dokumentation, um Klarheit und Benutzerfreundlichkeit zu gewährleisten.
• Verbessern Sie den Code basierend auf Greatest Practices oder Sicherheitsstandards.

3. Organisierte Workflow-Unterstützung

Beim Erstellen verschiedener Arten von Inhalten wie Blogs, Skripten oder Social-Media-Beiträgen bietet GPT-4o mit Canvas für jeden Typ einen eigenen Arbeitsbereich. Es verfolgt auch mehrere Versionen desselben Inhalts. Dieser strukturierte Arbeitsablauf trägt dazu bei, den Fokus und die Kontinuität während des gesamten Erstellungsprozesses aufrechtzuerhalten. Ohne Canvas müssten wir nach oben und unten scrollen und zwischen Zwischenaufforderungen navigieren, um bestimmte Inhalte zu finden.

Dieses erweiterte Modell kann sich auch verschiedene Abschnitte eines Dokuments merken und im Laufe der Zeit Änderungen vornehmen, was ohne Canvas nicht so nahtlos möglich ist. Im regulären GPT-4o-Modell kann der Inhaltsverlauf nach einer Sitzung verloren gehen.

Anwendungsfall aus dem wirklichen Leben

Wenn Sie sich für die Erstellung oder Vermarktung von Inhalten interessieren, kann Ihnen die in GPT-4o integrierte Canvas-Funktion dabei helfen:

• Erstellen verschiedener Formen von Inhalten wie Blogs, Social-Media-Beiträge usw. mit mehr Particulars und Kontext.
• Einfache Verwaltung und Wechsel zwischen den verschiedenen Inhalten zu einem bestimmten Thema oder einer bestimmten Kampagne.
• Das Hinzufügen von Emojis und anderen Funktionen zu Social-Media-Beiträgen erfolgt durch Klicks und nicht durch Eingabeaufforderungen.
• Ändern Sie den Inhalt, um das richtige Publikum zu erreichen oder um die Lesbarkeit bestimmter Lesergruppen anzupassen.

Erfahren Sie mehr: Was können Sie mit GPT-4o tun?

Abschluss

GPT-4o mit Canvas ist ein wertvolles Instrument für alle, die ihre Arbeitsabläufe beim Schreiben, Codieren oder bei der Zusammenarbeit verbessern möchten. Canvas erstellt einen intuitiven und anpassungsfähigen digitalen Arbeitsbereich auf der GPT-4o-Plattform und fördert so eine höhere Effizienz und Präzision. Es bietet gezielte Unterstützung in Echtzeit bei verschiedenen Aufgaben und bietet Verknüpfungen, Vorschläge und Anpassungen für verschiedene Anwendungsfälle. Egal, ob Sie Scholar, Content material-Ersteller, Entwickler, Vermarkter, Forscher oder ein anderer Fachmann sind, dieses integrierte GenAI-Instrument hilft Ihnen, Ihre täglichen Aufgaben zu vereinfachen und zu erleichtern. Mit der Intelligenz des GPT-4o-Modells und dem Komfort von Canvas haben Sie das Beste der generativen KI immer zur Hand!

Häufig gestellte Fragen

Sabreena Basheer ist eine ehemalige Architektin und Schriftstellerin, die mit Leidenschaft alles dokumentiert, was sie interessiert. Derzeit erkundet sie als Content material Managerin bei Analytics Vidhya die Welt der KI und Knowledge Science.

Bild vom Autor | DALLE-3 & Canva

Das Testen von Software program ist entscheidend, um Zuverlässigkeit und Funktionalität in verschiedenen Szenarien sicherzustellen. Wenn die Codeimplementierung jedoch von externen Diensten abhängt, wird dies zu einer echten Herausforderung. Hier kommt Mocking ins Spiel. Die Mock-Bibliothek von Python bietet Instruments zum Erstellen von Mock-Objekten, die echte Objekte ersetzen, wodurch Ihre Exams einfacher zu warten sind. Mocking ermöglicht gezieltes Testen von Komponenten und schnellere Testzyklen.

Was ist Mocking?

Mocking ist eine Technik, die beim Softwaretesten verwendet wird, um reale Objekte zu simulieren. Reale Objekte werden durch Mock-Objekte ersetzt, um ihre Funktionalität zu simulieren. So können Sie Code in verschiedenen Szenarien und isoliert testen. Mocking ist besonders nützlich, um bestimmte Teile der Codebasis zu testen, ohne auf die Interaktion mit externen Systemen, Datenbanken oder anderen komplexen Diensten angewiesen zu sein.

Lassen Sie mich dieses Konzept anhand eines Beispiels erklären. Stellen Sie sich vor, Sie haben eine Webanwendung, die eine externe API zum Abrufen von Daten verwendet. Um zu testen, ohne von der echten API abhängig zu sein, können Sie ein Mock-Objekt erstellen, das die Antworten der API nachahmt. Auf diese Weise können Sie die Funktionalität Ihrer Anwendung testen, ohne von der echten API abhängig zu sein, die möglicherweise langsam, unzuverlässig oder während der Entwicklung nicht einmal verfügbar ist.

Klingt interessant, oder? Lassen Sie uns nun eine ausführliche Anleitung zur tatsächlichen Verwendung dieser Bibliothek durchgehen.

Schritt-für-Schritt-Anleitung zur Verwendung von Mock

Schritt 1: Importieren der Mock-Bibliothek

Der unittest.mock ist die Standardbibliothek in Python (3.3 und in allen neueren Versionen), die Mock-Objekte bereitstellt, um das Verhalten realer Objekte zu steuern. Zuerst müssen Sie die unittest.mock Bibliothek.

from unittest.mock import Mock, patch

Schritt 2: Erstellen eines Mock-Objekts

Das Erstellen eines Mock-Objekts ist unkompliziert. Nach dem Import können Sie ein Mock-Objekt wie folgt instanziieren:

Jetzt, my_mock ist ein Mock-Objekt, das Sie so konfigurieren können, dass es das Verhalten eines realen Objekts simuliert.

Schritt 3: Rückgabewerte festlegen

Die Mock-Bibliothek bietet verschiedene Möglichkeiten, Mock-Objekte zu konfigurieren und ihr Verhalten zu steuern. Sie können beispielsweise angeben, was eine Methode beim Aufruf zurückgeben soll:

my_mock.some_method.return_value="Hi there, World!"
print(my_mock.some_method())

Ausgabe:

Schritt 4: Nebeneffekte festlegen

Nebeneffekte sind zusätzliche Aktionen oder Verhaltensweisen, die ausgelöst werden, wenn eine Methode eines Mock-Objekts aufgerufen wird, z. B. das Auslösen von Ausnahmen oder das Ausführen von Funktionen. Neben Rückgabewerten können Sie auch Attribute definieren oder Nebeneffekte wie folgt angeben:

def raise_exception():
    elevate ValueError("An error occurred")

my_mock.some_method.side_effect = raise_exception

# This can elevate a ValueError
strive:
    my_mock.some_method()
besides ValueError as e:
    print(e)  

Ausgabe:

In diesem Beispiel ValueError erhöht, wann immer some_method() wird genannt.

Schritt 5: Aufrufe bestätigen

Die Überprüfung der Methodenaufrufe ist für gründliche Exams von entscheidender Bedeutung. Mithilfe von Assertionen können Sie angeben, ob eine Methode aufgerufen wurde, wann und mit welchen Argumenten.

my_mock.calculate_length('foo', 'bar')
my_mock.calculate_length.assert_called()
my_mock.calculate_length.assert_called_once()
my_mock.calculate_length.assert_called_with('foo', 'bar')
my_mock.calculate_length.assert_called_once_with('foo', 'bar')

• assert_called(): Gibt True zurück, wenn calculate_length mindestens einmal aufgerufen wurde
• assert_called_once(): Gibt True zurück, wenn calculate_length genau einmal aufgerufen wurde
• assert_called_with('foo', 'bar'): Gibt True zurück, wenn calculate_length mit den gleichen Argumenten aufgerufen wurde
• assert_called_once_with('foo', 'bar'): Gibt True zurück, wenn calculate_length genau einmal mit den gleichen Argumenten aufgerufen wurde

Wenn eine dieser Behauptungen beim Mock-Objekt fehlschlägt, AssertionError wird ausgelöst, um anzuzeigen, dass das erwartete Verhalten nicht mit dem tatsächlichen Verhalten des Mocks übereinstimmt.

Schritt 6: Patch verwenden

Der patch Mit dieser Funktion können Sie während Exams echte Objekte durch simulierte Objekte ersetzen. Wie bereits erwähnt, ist dies besonders nützlich, um Bibliotheken oder APIs von Drittanbietern zu simulieren und sicherzustellen, dass Ihre Exams von tatsächlichen Implementierungen isoliert bleiben. Um das Patchen zu demonstrieren, betrachten Sie die folgende Beispielfunktion, die Daten von der URL abruft.

# my_module.py
import requests

def fetch_data(url):
    response = requests.get(url)
    return response.json()

Sie können vermeiden, echte HTTP Anfragen, indem Sie „requests.get“ wie folgt patchen:

# test_my_module.py
import unittest
from unittest.mock import patch
import my_module

class TestFetchData(unittest.TestCase):
    @patch('my_module.requests.get')

    def test_fetch_data(self, mock_get):
        # Arrange the mock to return a selected response
        mock_get.return_value.json.return_value = {'key': 'worth'}
       
        # Name the operate to check
        outcome = my_module.fetch_data('http://instance.com')
       
        # Examine the outcome
        self.assertEqual(outcome, {'key': 'worth'})
       
        # Confirm that requests.get was known as accurately
        mock_get.assert_called_once_with('http://instance.com')

if __name__ == '__main__':
    unittest.major()

Der Patch-Dekorator wird direkt über dem test_fetch_data operate als Ersatz für die requests.get Funktion mit einem Mock.

Schritt 7: Mocking-Klassen

Sie können ganze Klassen und ihre Methoden simulieren, um Interaktionen zwischen Objekten zu simulieren. Sie können beispielsweise eine Datenbankklasse simulieren, um die Interaktion Ihrer Anwendung mit der Datenbank zu testen, ohne eine echte Datenbankverbindung wie folgt einrichten zu müssen:

# database.py
class Database:
    def join(self):
        go

    def save_user(self, person):
        go

    def get_user(self, user_id):
        go


# test_database.py
from unittest.mock import Mock

# Making a mock database object
mock_db = Mock(spec=Database)

# Simulating technique calls
mock_db.join()
mock_db.save_user({"id": 1, "title": "Alice"})
mock_db.get_user(1)

# Verifying that the strategies had been known as
mock_db.join.assert_called_once()
mock_db.save_user.assert_called_once_with({"id": 1, "title": "Alice"})
mock_db.get_user.assert_called_once_with(1)

Einpacken

Das conflict’s für den heutigen Artikel über unittest.mockeine leistungsstarke Bibliothek zum Testen in Python. Sie ermöglicht Entwicklern das Testen von Code und stellt reibungslose Interaktionen zwischen Objekten sicher. Mit erweiterten Funktionen wie dem Festlegen von Nebeneffekten, dem Bestätigen von Aufrufen, dem Mocking von Klassen und der Verwendung von Kontextmanagern wird das Testen verschiedener Szenarien einfacher. Beginnen Sie noch heute mit der Verwendung von Mocks in Ihren Exams, um Code von höherer Qualität und reibungslosere Bereitstellungen sicherzustellen.

Kanwal Mehreen Kanwal ist Ingenieurin für maschinelles Lernen und technische Autorin mit einer tiefen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist eine leidenschaftliche Verfechterin des Wandels und hat FEMCodes gegründet, um Frauen in MINT-Fächern zu stärken.