Hatten Sie jemals eine Idee für etwas, das cool aussah, aber in der Praxis nicht intestine funktionierte? Wenn es um die Gestaltung von Dingen wie Dekoration und persönlichen Accessoires geht, können Modelle der generativen künstlichen Intelligenz (genAI) eine Rolle spielen. Sie können kreative und aufwändige 3D-Designs erstellen, aber wenn man versucht, solche Blaupausen in reale Objekte umzuwandeln, halten sie dem alltäglichen Gebrauch meist nicht stand.

Das zugrunde liegende Downside besteht darin, dass genAI-Modellen oft ein Verständnis der Physik fehlt. Während Instruments wie die von Microsoft GITTER Wenn das System aus einer Textaufforderung oder einem Bild ein 3D-Modell erstellen kann, ist das Design beispielsweise für einen Stuhl möglicherweise instabil oder weist nicht verbundene Teile auf. Das Modell versteht nicht vollständig, wozu Ihr beabsichtigtes Objekt dienen soll. Selbst wenn Ihr Sitz additionally in 3D gedruckt werden kann, würde er wahrscheinlich unter der Kraft einer sitzenden Individual auseinanderfallen.

Um diese Entwürfe in der realen Welt zum Laufen zu bringen, unterziehen Forscher des Laptop Science and Synthetic Intelligence Laboratory (CSAIL) des MIT generative KI-Modelle einem Realitätscheck. Ihr „PhysiOpt“-System erweitert diese Instruments durch physikalische Simulationen, sodass Blaupausen für persönliche Gegenstände wie Tassen, Schlüsselhalter und Buchstützen beim 3D-Druck wie vorgesehen funktionieren. Es testet schnell, ob die Struktur Ihres 3D-Modells realisierbar ist, indem es kleinere Formen sanft modifiziert und gleichzeitig sicherstellt, dass das Gesamterscheinungsbild und die Funktion des Designs erhalten bleiben.

Sie können einfach in PhysiOpt eingeben, was Sie erstellen möchten und wofür es verwendet werden soll, oder ein Bild auf die Benutzeroberfläche des Methods hochladen, und in etwa einer halben Minute erhalten Sie ein realistisches 3D-Objekt zum Herstellen. CSAIL-Forscher veranlassten sie beispielsweise, ein „Flamingo-förmiges Trinkglas“ zu entwickeln, das sie in 3D zu einem Trinkglas mit einem Griff und einer Foundation druckten, die dem Bein des tropischen Vogels ähneln. Während der Entwurf erstellt wurde, nahm PhysiOpt geringfügige Verfeinerungen vor, um sicherzustellen, dass der Entwurf strukturell einwandfrei warfare.

„PhysiOpt kombiniert GenAI und physikalisch-basierte Formoptimierung und hilft praktisch jedem, die gewünschten Designs für einzigartige Accessoires und Dekorationen zu erstellen“, sagt Xiao Sean Zhan SM ’25, Doktorand in Elektrotechnik und Informatik (EECS) am MIT und CSAIL-Forscher, der Co-Hauptautor von a ist Papier die Arbeit vorstellen. „Es handelt sich um ein automatisches System, das es Ihnen ermöglicht, die Type unter bestimmten Einschränkungen physisch herstellbar zu machen. PhysiOpt kann seine Kreationen so oft wiederholen, wie Sie möchten, ohne zusätzliche Schulung.“

Mit diesem Ansatz können Sie ein „intelligentes Design“ erstellen, bei dem der KI-Generator Ihren Artikel auf der Grundlage der Benutzerspezifikationen erstellt und dabei die Funktionalität berücksichtigt. Sie können Ihr bevorzugtes generatives 3D-KI-Modell anschließen, und nachdem Sie eingegeben haben, was Sie generieren möchten, geben Sie an, wie viel Kraft oder Gewicht das Objekt aushalten soll. Dies ist eine gute Möglichkeit, den realen Gebrauch zu simulieren, beispielsweise um vorherzusagen, ob ein Haken stark genug ist, um Ihren Mantel zu halten. Benutzer geben außerdem an, aus welchen Materialien sie den Artikel herstellen (z. B. Kunststoff oder Holz) und wie er gestützt wird – beispielsweise steht eine Tasse auf dem Boden, während eine Buchstütze an einer Büchersammlung lehnt.

Angesichts der Besonderheiten beginnt PhysiOpt mit der iterativen Optimierung des Objekts. Unter der Haube läuft eine physikalische Simulation namens „Finite-Elemente-Analyse“, um das Design einem Stresstest zu unterziehen. Dieser umfassende Scan liefert eine Heatmap über Ihrem 3D-Modell, die anzeigt, wo Ihr Entwurf nicht intestine unterstützt wird. Wenn Sie beispielsweise ein Vogelhaus bauen, stellen Sie möglicherweise fest, dass die Stützbalken unter dem Haus leuchtend rot gefärbt sind, was bedeutet, dass das Haus einstürzen wird, wenn es nicht verstärkt wird.

PhysiOpt kann sogar noch mutigere Stücke erstellen. Forscher sahen diese Vielseitigkeit aus erster Hand, als sie einen Steampunk-Schlüsselanhänger (ein Stil, der viktorianische und futuristische Ästhetik verbindet) mit komplizierten, roboterhaft aussehenden Haken und einem „Giraffentisch“ mit flacher Rückseite herstellten, auf dem man Gegenstände ablegen konnte. Aber woher wusste es, was „Steampunk“ ist oder wie so ein einzigartiges Möbelstück aussehen sollte?

Bemerkenswerterweise ist die Antwort keine umfassende Schulung – zumindest nicht seitens der Forscher. Stattdessen verwendet PhysiOpt ein vorab trainiertes Modell, das bereits Tausende von Formen und Objekten gesehen hat. „Bestehende Systeme benötigen oft viel zusätzliches Coaching, um ein semantisches Verständnis dessen zu entwickeln, was Sie sehen möchten“, fügt Co-Hauptautor Clément Jambon hinzu, der auch Doktorand am MIT EECS und CSAIL-Forscher ist. „Aber wir verwenden ein Modell, bei dem das Gespür für das, was Sie erstellen möchten, bereits integriert ist, sodass PhysiOpt keine Schulung erfordert.“

Durch die Arbeit mit einem vorab trainierten Modell kann PhysiOpt „Formprioritäten“ oder das Wissen darüber, wie Formen basierend auf einem früheren Coaching aussehen sollten, nutzen, um das zu generieren, was Benutzer sehen möchten. Es ist so, als würde ein Künstler den Stil eines berühmten Malers nachbilden. Ihr Fachwissen basiert auf der genauen Untersuchung verschiedener künstlerischer Ansätze, sodass sie wahrscheinlich in der Lage sind, diese bestimmte Ästhetik widerzuspiegeln. Ebenso hilft die Vertrautheit eines vorab trainierten Modells mit Formen bei der Generierung von 3D-Modellen.

CSAIL-Forscher stellten fest, dass das visuelle Know-how von PhysiOpt dazu beitrug, 3D-Modelle effizienter zu erstellen als „DiffIPC„, eine vergleichbare Methode, die Formen simuliert und optimiert. Als beide Ansätze mit der Generierung von 3D-Designs für Gegenstände wie Stühle beauftragt wurden, warfare das System von CSAIL professional Iteration quick zehnmal schneller und schuf gleichzeitig realistischere Objekte.

PhysiOpt stellt eine potenzielle Brücke zwischen Ideen und realen persönlichen Gegenständen dar. Was Sie vielleicht für eine großartige Idee für eine Kaffeetasse halten, könnte bald den Sprung von Ihrem Computerbildschirm auf Ihren Schreibtisch schaffen. Und während PhysiOpt bereits die Stresstests für Designer durchführt, könnte es bald in der Lage sein, Einschränkungen wie Lasten und Grenzen vorherzusagen, anstatt dass Benutzer diese Particulars angeben müssen. Dieser autonomere, vernünftigere Ansatz könnte durch die Einbindung von Imaginative and prescient-Language-Modellen ermöglicht werden, die das Verständnis menschlicher Sprache mit Laptop Imaginative and prescient kombinieren.

Darüber hinaus beabsichtigen Zhan und Jambon, die Artefakte oder zufälligen Fragmente, die gelegentlich in den 3D-Modellen von PhysiOpt auftauchen, zu entfernen, indem sie das System noch physikbewusster machen. Die MIT-Wissenschaftler überlegen auch, wie sie komplexere Einschränkungen für verschiedene Herstellungstechniken modellieren können, beispielsweise die Minimierung überhängender Komponenten für den 3D-Druck.

Zhan und Jambon haben ihre Arbeit mit Kenney Ng ’89, SM ’90, PhD ’00, dem leitenden Forschungswissenschaftler des Watson AI Lab des MIT-IBM Watson, und zwei CSAIL-Kollegen geschrieben: dem Bachelor-Forscher Evan Thompson und der Assistenzprofessorin Mina Konaković Luković, einer leitenden Forscherin im Labor.

Die Arbeit der Forscher wurde teilweise vom MIT-IBM Watson AI Laboratory und der Wistron Corp. unterstützt. Sie präsentierten sie im Dezember auf der SIGGRAPH-Konferenz und Ausstellung über Computergrafik und interaktive Techniken der Affiliation for Computing Equipment in Asien.

Bild vom Herausgeber

# Einführung

Dank große Sprachmodelle (LLMs) verfügen wir heutzutage über beeindruckende, unglaublich nützliche Anwendungen wie Zwillinge, ChatGPTUnd Claudeum nur einige zu nennen. Allerdings wissen nur wenige Menschen, dass die zugrunde liegende Architektur hinter einem LLM als a bezeichnet wird Transformator. Diese Architektur ist sorgfältig darauf ausgelegt, auf eine ganz besondere und etwas besondere Weise zu „denken“ – additionally Daten zu verarbeiten, die die menschliche Sprache beschreiben. Sind Sie daran interessiert, ein umfassendes Verständnis darüber zu erlangen, was im Inneren dieser sogenannten Transformatoren passiert?

Dieser Artikel beschreibt in einem sanften, verständlichen und eher untechnischen Ton, wie Transformatormodelle, die hinter LLMs sitzen, Eingabeinformationen wie Benutzeraufforderungen analysieren und wie sie Wort für Wort (oder, etwas technischer gesagt, Token für Token) kohärenten, aussagekräftigen und relevanten Ausgabetext generieren.

# Erste Schritte: Sprache für Maschinen verständlich machen

Das erste Schlüsselkonzept, das es zu begreifen gilt, ist Folgendes KI-Modelle verstehen die menschliche Sprache nicht wirklich; Sie verstehen nur Zahlen und operieren mit ihnen, und Transformatoren hinter LLMs bilden da keine Ausnahme. Daher ist es notwendig, die menschliche Sprache – additionally den Textual content – in eine Kind umzuwandeln, die der Transformator vollständig verstehen kann, bevor er ihn tiefgreifend verarbeiten kann.

Anders ausgedrückt: Die ersten Schritte vor dem Eintritt in den Kern und die innersten Schichten des Transformators konzentrieren sich in erster Linie darauf, diesen Rohtext in eine numerische Darstellung umzuwandeln, die die wichtigsten Eigenschaften und Merkmale des Originaltexts unter der Haube beibehält. Sehen wir uns diese drei Schritte an.

Sprache für Maschinen verständlich machen (zum Vergrößern anklicken)

// Tokenisierung

Der Tokenizer ist der erste Akteur, der die Szene betritt. Er arbeitet mit dem Transformatormodell zusammen und ist dafür verantwortlich, den Rohtext in kleine Stücke, sogenannte Token, zu zerlegen. Abhängig vom verwendeten Tokenizer können diese Token in den meisten Fällen Wörtern entsprechen, manchmal können Token jedoch auch Teile von Wörtern oder Satzzeichen sein. Darüber hinaus verfügt jedes Token in einer Sprache über eine eindeutige numerische Kennung. Dies ist der Fall, wenn Textual content nicht mehr zu Textual content, sondern zu Zahlen wird: alles auf Token-Ebene, wie in diesem Beispiel gezeigt, in dem ein einfacher Tokenizer einen Textual content mit fünf Wörtern in fünf Token-Bezeichner umwandelt, eine professional Wort:

Tokenisierung von Textual content in Token-Identifikatoren

// Token-Einbettungen

Als nächstes wird jede Token-ID in einen ( d )-dimensionalen Vektor umgewandelt, der eine Liste von Zahlen der Größe ( d ) ist. Diese vollständige Darstellung eines Tokens als Einbettung ist wie eine Beschreibung der Gesamtbedeutung dieses Tokens, sei es ein Wort, ein Teil davon oder ein Satzzeichen. Der Zauber liegt darin, dass Token mit ähnlichen Bedeutungskonzepten verbunden sind Königin Und Kaiserinwerden ähnliche Einbettungsvektoren haben.

// Positionskodierung

Bisher enthielt eine Token-Einbettung Informationen in Kind einer Zahlensammlung, diese Informationen beziehen sich jedoch immer noch isoliert auf einen einzelnen Token. Bei einem „Stück Sprache“ wie einer Textsequenz ist es jedoch nicht nur wichtig, die darin enthaltenen Wörter oder Token zu kennen, sondern auch deren Place im Textual content, zu dem sie gehören. Bei der Positionskodierung handelt es sich um einen Prozess, der mithilfe mathematischer Funktionen in jedes Token einige zusätzliche Informationen über seine Place in der ursprünglichen Textsequenz einbettet.

# Die Transformation durch den Kern des Transformer-Modells

Nachdem nun die numerische Darstellung jedes Tokens Informationen über seine Place in der Textsequenz enthält, ist es an der Zeit, die erste Ebene des Hauptteils des Transformatormodells zu betreten. Der Transformator ist eine sehr tiefe Architektur mit vielen gestapelten Komponenten, die im gesamten System repliziert werden. Es gibt zwei Arten von Transformatorschichten – die Encoderschicht und die Decoderschicht –, aber der Einfachheit halber werden wir in diesem Artikel keine differenzierte Unterscheidung zwischen ihnen vornehmen. Beachten Sie zunächst, dass es in einem Transformator zwei Arten von Schichten gibt, auch wenn beide viele Gemeinsamkeiten haben.

Die Transformation durch den Kern des Transformatormodells (zum Vergrößern anklicken)

// Mehrköpfige Aufmerksamkeit

Dies ist der erste große Teilprozess, der innerhalb einer Transformatorschicht stattfindet, und möglicherweise das wirkungsvollste und markanteste Merkmal von Transformatormodellen im Vergleich zu anderen Arten von KI-Systemen. Die mehrköpfige Aufmerksamkeit ist ein Mechanismus, der es einem Token ermöglicht, die anderen Token in der Sequenz zu beobachten oder „auf sie zu achten“. Es sammelt und integriert nützliche Kontextinformationen in seine eigene Token-Darstellung, insbesondere sprachliche Aspekte wie grammatikalische Beziehungen, langfristige Abhängigkeiten zwischen Wörtern, die im Textual content nicht unbedingt nebeneinander liegen, oder semantische Ähnlichkeiten. Zusammenfassend lässt sich sagen, dass dank dieses Mechanismus verschiedene Aspekte der Relevanz und Beziehungen zwischen Teilen des Originaltextes erfolgreich erfasst werden. Nachdem eine Token-Darstellung diese Komponente durchlaufen hat, erhält sie am Ende eine reichhaltigere, kontextbewusstere Darstellung über sich selbst und den Textual content, zu dem sie gehört.

Einige Transformer-Architekturen, die für bestimmte Aufgaben wie die Übersetzung von Textual content von einer Sprache in eine andere entwickelt wurden, analysieren über diesen Mechanismus auch mögliche Abhängigkeiten zwischen Token und betrachten dabei sowohl den Eingabetext als auch den bisher generierten Ausgabetext (übersetzt), wie unten gezeigt:

Mehrköpfige Aufmerksamkeit bei Übersetzungstransformatoren

// Feed-Ahead-Subschicht für neuronale Netze

Vereinfacht ausgedrückt besteht die zweite gemeinsame Stufe innerhalb jeder replizierten Schicht des Transformators nach dem Durchlaufen der Aufmerksamkeit aus einer Reihe verketteter neuronaler Netzwerkschichten, die unsere angereicherten Token-Darstellungen weiter verarbeiten und dabei helfen, zusätzliche Muster zu erlernen. Dieser Prozess gleicht einer weiteren Schärfung dieser Darstellungen sowie der Identifizierung und Verstärkung relevanter Merkmale und Muster. Letztendlich sind diese Schichten der Mechanismus, mit dem nach und nach ein allgemeines, zunehmend abstraktes Verständnis des gesamten verarbeiteten Textes erlernt wird.

Der Prozess des Durchlaufens mehrköpfiger Aufmerksamkeits- und Feed-Ahead-Unterschichten wird in dieser Reihenfolge mehrmals wiederholt: so oft wie die Anzahl der replizierten Transformatorschichten, die wir haben.

// Endziel: Das nächste Wort vorhersagen

Nach mehrmaliger abwechselnder Wiederholung der beiden vorherigen Schritte hätten die symbolischen Darstellungen, die aus dem ursprünglichen Textual content stammten, es dem Modell ermöglichen sollen, ein sehr tiefes Verständnis zu erlangen und komplexe und subtile Zusammenhänge zu erkennen. An diesem Punkt erreichen wir die letzte Komponente des Transformatorstapels: eine spezielle Schicht, die die endgültige Darstellung in eine Wahrscheinlichkeit für jedes mögliche Token im Vokabular umwandelt. Das heißt, wir berechnen – basierend auf allen dabei gewonnenen Informationen – eine Wahrscheinlichkeit dafür, dass jedes Wort in der Zielsprache das nächste Wort ist, das das Transformatormodell (oder das LLM) ausgeben sollte. Das Modell wählt schließlich das Token oder Wort mit der höchsten Wahrscheinlichkeit als nächstes aus, das es als Teil der Ausgabe für den Endbenutzer generiert. Der gesamte Prozess wiederholt sich für jedes Wort, das als Teil der Modellantwort generiert werden soll.

# Zusammenfassung

Dieser Artikel bietet einen sanften und konzeptionellen Rundgang durch die Reise textbasierter Informationen, wenn sie durch die charakteristische Modellarchitektur hinter LLMs fließen: den Transformator. Nachdem Sie dies gelesen haben, haben Sie hoffentlich ein besseres Verständnis dafür gewonnen, was in Modellen wie denen hinter ChatGPT vor sich geht.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.

Was ist ein Sprachassistent?

Ein Sprachassistent ist eine Software program, die es Menschen ermöglicht, mit Technologie zu sprechen und Dinge zu erledigen – Timer einstellen, Lichter steuern, Kalender überprüfen, Musik abspielen oder Fragen beantworten. Du sprichst; Es hört zu, versteht, ergreift Maßnahmen und antwortet mit menschenähnlicher Stimme. Sprachassistenten sind mittlerweile in Telefonen, intelligenten Lautsprechern, Autos, Fernsehern und Contact Centern zu finden.

Marktanteil von Sprachassistenten

Globale Sprachassistenten sind nach wie vor weit verbreitet in Telefonen, intelligenten Lautsprechern und Autos. Schätzungen gehen davon aus, dass im Jahr 2024 8,4 Milliarden digitale Assistenten im Einsatz sein werden (wobei die Zahl auf Benutzer mehrerer Geräte zurückzuführen ist). Analysten schätzen den Markt für Sprachassistenten unterschiedlich ein, sind sich jedoch über ein schnelles Wachstum einig: Beispielsweise prognostiziert Spherical Insights 3,83 Mrd. USD (2023) → 54,83 Mrd. USD (2033), CAGR ~30,5 %; NextMSC prognostiziert 7,35 Mrd. USD (2024) → 33,74 Mrd. USD (2030), CAGR ~26,5 %. Auch die angrenzende Sprach-/Spracherkennung (die Basistechnologie) nimmt zu – MarketsandMarkets prognostiziert 9,66 Mrd. USD (2025) → 23,11 Mrd. USD (2030), CAGR ~19,1 %.

Wie Sprachassistenten verstehen, was Sie sagen

Jede von Ihnen gestellte Anfrage durchläuft eine Pipeline. Wenn jeder Schritt kräftig ausgeführt wird – insbesondere in lauten Umgebungen – erhalten Sie ein reibungsloses Erlebnis. Wenn ein Schritt schwach ist, leidet die gesamte Interaktion. Unten sehen Sie die gesamte Pipeline, was im Jahr 2025 neu ist, wo Probleme auftreten und wie Sie sie mit besseren Daten und einfachen Leitplanken beheben können.

Beispiele aus der Praxis für Sprachassistenten-Technologie in Aktion

• Amazon Alexa: Unterstützt die Sensible-Residence-Automatisierung (Beleuchtung, Thermostate, Routinen), die Steuerung intelligenter Lautsprecher und das Einkaufen (Hear, Nachbestellungen, Sprachkäufe). Funktioniert auf Echo-Geräten und vielen Integrationen von Drittanbietern.
• Apple Siri: Tief in iOS- und Apple-Dienste integriert, um Nachrichten, Anrufe, Erinnerungen und App-Verknüpfungen freihändig zu verwalten. Nützlich für Aktionen auf dem Gerät (Alarme, Einstellungen) und Kontinuität auf iPhone, Apple Watch, CarPlay und HomePod.
• Google Assistant: Verarbeitet mehrstufige Befehle und Folgeaktionen mit starker Integration in Google-Dienste (Suche, Karten, Kalender, YouTube). Beliebt für Navigation, Erinnerungen und Sensible-Residence-Steuerung auf Android, Nest-Geräten und Android Auto.

Welche KI-Technologie hinter dem persönlichen Sprachassistenten steckt

• Wake-Phrase-Erkennung und VAD (auf dem Gerät): Winzige neuronale Modelle achten auf die Auslösephrase („Hey…“) und nutzen die Sprachaktivitätserkennung, um Sprache zu erkennen und Stille zu ignorieren.
• Strahlformung und Geräuschreduzierung: Multi-Mikrofon-Arrays konzentrieren sich auf Ihre Stimme und reduzieren Hintergrundgeräusche (Fernfeldräume, im Auto).
• ASR (Automatische Spracherkennung): Neuronale Akustik- und Sprachmodelle wandeln Audio in Textual content um; Area-Lexika helfen bei Marken-/Gerätenamen.
• NLU (Pure Language Understanding): Klassifiziert Absichten und extrahiert Entitäten (z. B. Gerät=Lichter, Standort=Wohnzimmer).
• LLM-Argumentation und -Planung: LLMs helfen bei mehrstufigen Aufgaben, Koreferenz („dieses“) und natürlichen Folgemaßnahmen – innerhalb von Leitplanken.
• Retrieval-Augmented Technology (RAG): Ruft Fakten aus Richtlinien, Kalendern, Dokumenten oder dem Sensible-Residence-Standing auf Bodenantworten ab.
• NLG (Erzeugung natürlicher Sprache): Wandelt Ergebnisse in kurzen, klaren Textual content um.
• TTS (Textual content-to-Speech): Neuronale Stimmen geben die Reaktion mit natürlicher Prosodie, geringer Latenz und Stilkontrollen wieder.

Das wachsende Ökosystem sprachgesteuerter Geräte

• Intelligente Lautsprecher. Bis Ende 2024 werden 111,1 Millionen US-Verbraucher intelligente Lautsprecher nutzen, prognostiziert eMarketer. Amazon Echo führt den Marktanteil an, gefolgt von Google Nest und Apple HomePod.
• KI-gestützte Datenbrille. Unternehmen wie Solos, Meta und möglicherweise Google entwickeln intelligente Brillen mit erweiterten Sprachfunktionen für Echtzeit-Interaktionen mit Assistenten.
• Digital- und Combined-Actuality-Headsets. Meta integriert seinen Konversations-KI-Assistenten in Quest-Headsets und ersetzt grundlegende Sprachbefehle durch anspruchsvollere Interaktionen.
• Vernetzte Autos. Große Automobilhersteller wie Stellantis und Volkswagen integrieren ChatGPT in Sprachsysteme im Auto für natürlichere Gespräche während der Navigation, Suche und Fahrzeugsteuerung.
• Andere Geräte. Sprachassistenten werden auf Ohrhörer, Sensible-Residence-Geräte, Fernseher und sogar Fahrräder ausgeweitet.

Schnelles Sensible-Residence-Beispiel

Sie sagen: „Dimmen Sie das Küchenlicht auf 30 % und spielen Sie Jazz.“

Weckwort wird auf dem Gerät ausgelöst.

ASR hört: „Dimmen Sie das Küchenlicht auf dreißig Prozent und spielen Sie Jazz.“

NLU erkennt zwei Absichten: SetBrightness(worth=30, location=kitchen) und PlayMusic(style=jazz).

Die Orchestrierung betrifft Beleuchtungs- und Musik-APIs.

NLG erstellt eine kurze Bestätigung; TTS spricht es.

Wenn die Lichter offline sind, gibt der Assistent einen begründeten Fehler mit einer Wiederherstellungsoption zurück: „Ich kann die Küchenbeleuchtung nicht erreichen – versuchen Sie es stattdessen mit der Esszimmerbeleuchtung?“

Wo Dinge kaputt gehen – und praktische Lösungen

A. Lärm, Akzente und Geräteinkongruenz (ASR)

Symptome: falsch verstandene Namen oder Nummern; wiederholte „Entschuldigung, das habe ich nicht verstanden.“

• Sammeln Sie Fernfeld-Audio aus realen Räumen (Küche, Wohnzimmer, Auto).
• Fügen Sie eine Akzentabdeckung hinzu, die zu Ihren Benutzern passt.
• Pflegen Sie ein kleines Lexikon für Gerätenamen, Räume und Marken, um die Erkennung zu erleichtern.

B. Brittle NLU (Absicht/Entitätsverwirrung)

Symptome: „Rückerstattungsstatus?“ als Rückerstattungsantrag behandelt; „auftauchen“ wird als „einschalten“ gelesen.

• Verfassen Sie kontrastive Äußerungen (ähnliche Damaging), um Absichtspaare zu verwirren.
• Sorgen Sie für ausgewogene Beispiele professional Absicht (lassen Sie nicht zu, dass eine Klasse den Relaxation in den Schatten stellt).
• Validieren Sie Trainingssätze (entfernen Sie Duplikate/Kauderwelsch; behalten Sie realistische Tippfehler bei).

C. Kontextübergreifend verloren

Symptome: Folgefragen wie „make it hotter“ schlagen fehl oder Pronomen wie „that order“ verwirren den Bot.

• Sitzungsspeicher mit Ablauf hinzufügen; Überführen Sie referenzierte Entitäten für ein kurzes Zeitfenster.
• Verwenden Sie möglichst wenig Klärmittel („Meinen Sie das Wohnzimmerthermostat?“).

D. Sicherheits- und Datenschutzlücken

Symptome: Übermäßiges Teilen, unbewachter Werkzeugzugriff, unklare Einwilligung.

• Behalten Sie die Aktivierungsworterkennung nach Möglichkeit auf dem Gerät bei.
• Bereinigen Sie personenbezogene Daten, setzen Sie Instruments auf die Zulassungsliste und fordern Sie eine Bestätigung für riskante Aktionen (Zahlungen, Türschlösser).
• Protokollieren Sie Aktionen zur Überprüfbarkeit.

Äußerungen: Die Daten, die NLU zum Funktionieren bringen

Eine Äußerung ist eine kurze Benutzerphrase (gesprochen oder getippt). Ihr Assistent lernt aus vielen Beispielen, wie echte Menschen dasselbe verlangen.

• Variation: kurz/lang, höflich/direkt, Slang, Tippfehler und Sprachstörungen („uh, set timer“).
• Damaging: Beinahe-Miss-Phrasen, die nicht der Zielabsicht zugeordnet werden sollten (z. B. RefundStatus vs. RequestRefund).
• Entitäten: Einheitliche Beschriftung für Gerätenamen, Räume, Daten, Mengen und Uhrzeiten.
• Scheiben: Abdeckung nach Kanal (IVR vs. App), Gebietsschema und Gerät.

Mehrsprachige und multimodale Überlegungen

• Locale-First-Design: Äußerungen so schreiben, wie die Einheimischen tatsächlich sprechen; Schließen Sie regionale Begriffe und Codewechsel ein, wenn dies im wirklichen Leben geschieht.
• Stimme + Bildschirm: Gesprochene Antworten kurz halten; Particulars und Aktionen auf dem Bildschirm anzeigen.
• Slice-Metriken: Verfolgen Sie die Leistung nach Gebietsschema × Gerät × Umgebung. Korrigieren Sie zuerst das schlechteste Slice, um schnellere Gewinne zu erzielen.

Was sich im Jahr 2025 geändert hat (und warum es wichtig ist)

• Von Antworten bis zu Agenten: Neue Assistenten können Schritte verketten (Planen → Handeln → Bestätigen) und nicht nur Fragen beantworten. Sie brauchen weiterhin klare Richtlinien und eine sichere Werkzeugnutzung.
• Standardmäßig multimodal: Stimme wird häufig mit einem Bildschirm gekoppelt (intelligente Shows, Armaturenbretter von Autos). Gute UX verbindet eine kurze gesprochene Antwort mit Aktionen auf dem Bildschirm.
• Bessere Personalisierung und Erdung: Systeme nutzen Ihren Kontext (Geräte, Hear, Einstellungen), um das Hin und Her zu reduzieren – und gleichzeitig den Datenschutz zu berücksichtigen.

Wie Shaip Ihnen beim Aufbau hilft

Shaip hilft Ihnen, zuverlässige Sprach- und Chat-Erlebnisse mit den wichtigen Daten und Arbeitsabläufen bereitzustellen. Wir bieten benutzerdefinierte Sprachdatenerfassung (Skript, Szenario und natürlich), Expertentranskription und Anmerkungen (Zeitstempel, Sprecherbezeichnungen, Ereignisse) sowie Qualitätssicherung auf Unternehmensniveau in über 150 Sprachen. Brauchen Sie Geschwindigkeit? Beginnen Sie mit gebrauchsfertigen Sprachdatensätzen und überlagern Sie dann maßgeschneiderte Daten dort, wo Ihr Modell Schwierigkeiten hat (bestimmte Akzente, Geräte oder Räume). Für regulierte Anwendungsfälle unterstützen wir die Anonymisierung von PII/PHI, rollenbasierten Zugriff und Prüfprotokolle. Wir liefern Audio, Transkripte und umfangreiche Metadaten in Ihrem Schema – damit Sie eine Feinabstimmung vornehmen, nach Segmenten auswerten und mit Zuversicht starten können.

Bild vom Autor

# Einführung

Wenn Sie LLMs für verschiedene Aufgaben verwendet haben, ist Ihnen wahrscheinlich aufgefallen, dass die Antwort oft davon abhängt, wie Sie die Eingabeaufforderung schreiben. So nennen wir es schnelles Engineering. Die Artwork und Weise, wie Sie Anweisungen geben, kann den Unterschied zwischen einer vagen Antwort und einer präzisen, umsetzbaren Antwort ausmachen. Ich weiß, dass schnelles Engineering manchmal etwas schwierig sein kann. Es ist nicht nur reine Wissenschaft; Es ist eine Mischung aus Wissenschaft und Kunst, was bedeutet, dass man experimentieren muss, um herauszufinden, was in der jeweiligen State of affairs am besten funktioniert. Machen Sie sich keine Sorgen – dieser Artikel deckt Sie ab.

Wir kommen durch 7 bewährte Rezepte die Sie als Lesezeichen speichern und für Ihre eigenen Aufgaben verwenden können. Ich werde hier nicht jeden einzelnen Bereich abdecken, sondern mich auf sieben verschiedene Bereiche konzentrieren. Wenn einer davon intestine mit dem übereinstimmt, woran Sie gerade arbeiten, probieren Sie ihn aus und lassen Sie mich in den Kommentaren wissen, wie es läuft. Auf geht’s.

# 1. Bewerbungen & Karriere → Persona + Personalisierungsaufforderung

Allgemeine Anschreiben sind ziemlich leicht zu erkennen. Obwohl ich persönlich der Meinung bin, dass sich ein von Ihnen verfasster Transient natürlicher liest und beim Arbeitgeber eine bessere Reaktion hervorruft, verstehe ich, dass dies einer der häufigsten Anwendungsfälle ist. Fügen Sie in diesem Szenario eine persönliche Observe hinzu und behalten Sie einen natürlichen Ton bei. Wenn Sie Ihren Lebenslauf einfach einfügen, wird oft alles hervorgehoben – auch Dinge, die nicht wirklich wichtig sind. Wenn Sie möchten, können Sie im Strukturabschnitt auch einige wichtige Punkte hinzufügen. Fragen Sie nicht einfach: „Schreiben Sie ein Anschreiben für die Stelle als ML-Ingenieur bei der Firma XYZ.“ Sie möchten nicht den Eindruck erwecken, dass Ihr Schreiben mit dem aller anderen Kandidaten identisch ist.

Vorlage:
Du bist mein Karriereassistent. Entwerfen Sie ein maßgeschneidertes Anschreiben für die Place (Stellenbezeichnung) bei (Unternehmen).

Particulars über mich: (Schlüsselkompetenzen, relevanteste Erfolge und Berufserfahrung einfügen).

Richtlinien:
– Behalten Sie den Ton bei: professionell, selbstbewusst und dennoch natürlich – nicht übermäßig enthusiastisch.
– Fassen Sie Erfahrungen so zusammen, dass der übertragbare Wert und die Auswirkungen hervorgehoben werden, und nicht in einer Liste mit einzelnen Aufgaben.
– Struktur:
1) Kurze Vorstellung mit echtem Interesse an der Rolle/dem Unternehmen.
2) Prägnanter Absatz, der meinen Hintergrund mit den Rollenanforderungen verbindet.
3) Schließen Sie den Absatz mit einem selbstbewussten, aber respektvollen Aufruf zum Handeln.
– Halten Sie den Transient unter einer Seite.

# 2. Mathematik und logisches Denken → Gedankenkette + Rolle + Few-Shot-Eingabeaufforderung

Die meisten Menschen in der Neighborhood wissen vielleicht bereits, was Gedankenkette und Wenig-Schuss-Eingabeaufforderung sind, aber da viele Studenten und technisch nicht versierte Benutzer LLMs für diesen Zweck verwenden, wollte ich es ausdrücklich erwähnen. LLMs haben oft Schwierigkeiten mit Mathematik, wenn man sie direkt fragt. Versuchen Sie beispielsweise, einen LLM zu bitten, die Anzahl der „r“ in „strawberry“ zu zählen, und Sie werden feststellen, dass es schwierig ist. Bitten Sie es stattdessen explizit darum „Vernunft Schritt für Schritt“ verbessert die Genauigkeit. Durch das Hinzufügen von wenigen Beispielen – ausgearbeiteten Problemen – werden Fehler weiter reduziert, indem ein klares Verständnis des Argumentationsprozesses vermittelt wird.

Vorlage:
Du bist Mathe-Nachhilfelehrer. Lösen Sie das folgende Drawback Schritt für Schritt, bevor Sie die endgültige Antwort geben.

Beispiel:
F: Wie weit fährt ein Zug, wenn er zwei Stunden lang mit 60 km/h fährt?
A: Schritt 1: Geschwindigkeit × Zeit = 60 × 2 = 120 km.
Endgültige Antwort: 120 km

Lösen Sie nun dieses Drawback:
(Fügen Sie hier Ihre Matheaufgabe ein)

# 3. Codegenerierung → Befehlszerlegung + Eingabeaufforderung für Einschränkungen

Codierung ist einer der Hauptanwendungsfälle von LLMs, und das ist auch der Grund, warum Sie vielleicht schon einmal den Begriff „Vibe Coding“ gehört haben. Sogar erfahrene Entwickler sind dazu übergegangen, Boilerplate-Code mit LLMs zu generieren und dann darauf aufzubauen. Wenn Sie schon einmal programmiert haben, wissen Sie, dass ein einzelnes Drawback auf viele Arten gelöst werden kann und dass LLMs die Dinge manchmal komplizierter machen, als sie sein müssten. Ein wenig Anleitung in Kind von Einschränkungen – und die Aufschlüsselung der Aufgaben mit klaren Eingaben, Ausgaben und Anforderungen – sorgt dafür, dass die Ergebnisse praktisch sind.

Vorlage:
Sie sind ein leitender Softwareentwickler. Schreiben Sie Python-Code, um die folgende Aufgabe mit {constraint} auszuführen.

Aufgabe: {beschreiben, was der Code tun soll}

Anforderungen:

Eingabeformat: {angeben}
Ausgabeformat: {angeben}
Zu behandelnde Randfälle: {Hear Sie sie auf}

Stellen Sie nur sauberen, kommentierten Code bereit.

# 4. Lernen und Nachhilfe → Sokratische Methode + angeleiteter Unterricht

Viele Menschen nutzen LLMs als Lerninstrument, weil sie Flexibilität bieten und sich leicht an die von Ihnen bevorzugte Struktur anpassen lassen. Verschiedene Lehrmethoden funktionieren bei Menschen unterschiedlich, aber ein Ansatz, den ich als nützlich und in der Bildung weit verbreitet empfunden habe, besteht darin, dass das Lernen nicht nur einseitig erfolgt. Stattdessen stellt Ihnen der Lehrer Fragen, um das Verständnis zu überprüfen, und klärt oder erläutert dann weiter. Dies hält den Prozess interaktiv und verhindert passives Lesen.

Vorlage:
Sie sind ein geduldiger Nachhilfelehrer. Anstatt die Antwort direkt zu nennen, leiten Sie mich Schritt für Schritt anhand von Fragen, die ich beantworten kann. Erklären Sie dann anhand meiner Antworten die Lösung klar und deutlich.

Thema: {Thema einfügen}

Beginnen Sie mit dem Unterrichten:

# 5. Kreatives Schreiben und Geschichtenerzählen → Kontrollierte Kreativität mit Persona + Stil

Einer der Hauptanwendungsfälle, die bei LLMs auftraten, struggle die Zunahme von Inhalten für Kinder aufgrund ihrer Fähigkeit, fesselnde Geschichten zu generieren. Möglicherweise sind Ihnen auch KI-basierte Movies auf YouTube aufgefallen, die diesem Pattern folgen. Die Story-Generierung ist ziemlich cool, aber wenn man das Modell einfach sich selbst überlassen lässt, können Dinge leicht verloren gehen. Damit es ansprechend und strukturiert bleibt, ist es hilfreich, Einschränkungen wie Perspektive, Thema, Charakter oder sogar das Ende festzulegen. In der Praxis funktioniert das bei kreativen Aufgaben deutlich besser.

Vorlage:
Sie sind ein erfahrener Geschichtenerzähler. Schreiben Sie eine Kurzgeschichte (ca. 400 Wörter) im Stil des magischen Realismus.

Perspektive: erste Individual
Thema: Entdeckung einer verborgenen Welt im Gewöhnlichen
Zielgruppe/Komplexitätsgrad: Kinder (einfach)
Ende: Endet mit einer überraschenden Wendung.

# 6. Brainstorming und Ideengenerierung → Divergentes + Konvergentes Denken

Wenn es um Kreativität geht, ist Brainstorming eine der effektivsten Möglichkeiten, LLMs zu nutzen. Wenn Sie jedoch nur nach „Ideen“ fragen, wirft das Modell möglicherweise eine zufällige Liste aus, die entweder zu umfassend oder nicht praktikabel ist. Ein besserer Weg besteht darin, dem gleichen Prozess wie in echten Brainstorming-Sitzungen zu folgen: Gehen Sie zunächst weit und generieren Sie so viele Rohideen wie möglich (divergentes Denken), grenzen Sie dann die besten Ideen ein und verfeinern Sie sie zu praktikablen Lösungen (konvergentes Denken). Auf diese Weise erhalten Sie sowohl Kreativität als auch Struktur in der Ausgabe.

Vorlage:

Schritt 1: Generieren Sie 10 rohe, ungefilterte Ideen für (Thema).
Schritt 2: Wählen Sie die drei praktischsten Ideen aus und erweitern Sie jede zu einem detaillierten Plan.

# 7. Geschäft und Strategie → Strukturierte Eingabeaufforderung im Beraterstil

Viele Menschen nutzen LLMs auch für geschäftsbezogene Aufgaben, sei es Marktforschung, Planung oder Strategieentwicklung. Das Drawback ist, dass, wenn Sie nur eine vage Frage stellen, z „Wie verbessere ich mein Geschäft?“ Normalerweise erhalten Sie eine allgemeine Antwort, die nicht wirklich weiterhilft. Der Weg zu einem praktischeren und klareren Ergebnis besteht darin, die Eingabeaufforderung in einem strukturierten Format zu gestalten, ähnlich wie Beratungsunternehmen ihre Analyse präsentieren. Dadurch bleibt die Antwort fokussiert, vermeidet unnötige Unklarheiten und macht sie umsetzbar.

Vorlage:
Sie sind Strategieberater. Stellen Sie eine strukturierte dreiteilige Analyse für (geschäftliche Herausforderung) bereit.

Aktuelle State of affairs: Wichtige Fakten, Marktkontext oder verfügbare Daten
Hauptherausforderungen: Die wichtigsten Probleme oder Hindernisse, die angegangen werden müssen
Empfohlene Strategie: 3 umsetzbare Schritte, die direkt umgesetzt werden können

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology 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 ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

SQL -Set off sind wie automatisierte Routinen in einer Datenbank, in der vordefinierte Aktionen ausgeführt werden, wenn bestimmte Ereignisse wie Einfügen, Aktualisieren oder Löschen in einer Tabelle auftreten. Dies hilft bei der Automatisierung der Datenaktualisierung und der festgelegten Regeln. Es hält die Daten sauber und konsistent, ohne dass Sie jedes Mal zusätzlichen Code schreiben müssen. In diesem Artikel werden wir untersuchen, was genau ein SQL -Set off ist und wie er funktioniert. Wir werden auch verschiedene Arten von SQL -Triggern anhand einiger Beispiele untersuchen und verstehen, wie sie in unterschiedlich verwendet werden MySQL, PostgreSQL und SQL Server. Am Ende haben Sie eine gute Vorstellung davon, wie und wann Sie Auslöser in einem Datenbank -Setup verwenden müssen.

Was ist ein SQL -Auslöser?

Ein Auslöser ist wie ein automatisches Programm, das an eine Datenbanktabelle gebunden ist, und es wird der SQL -Code automatisch ausgeführt, wenn ein bestimmtes Ereignis auftritt, z. B. das Einfügen, Aktualisieren oder Löschen einer Zeile. Beispielsweise können Sie einen Auslöser verwenden, um einen Zeitstempel automatisch festzulegen, wenn eine neue Zeile erstellt, hinzugefügt oder gelöscht oder neue Datenregeln ohne zusätzlichen Code in Ihrer Anwendung angewendet werden. In einfachen Worten können wir sagen, dass ein Auslöser ein gespeicherter Satz von SQL -Anweisungen ist, die als Reaktion auf Tabellenereignisse „Feuer“ sind.

Wie Auslöser in SQL funktionieren

In MysqlSet off werden mit der Anweisung erstellen Set off definiert und sind an eine bestimmte Tabelle und ein bestimmtes Ereignis beigefügt. Jeder Auslöser ist Zeilenebene, was bedeutet, dass er für jede vom Ereignis betroffene Zeile einmal ausgeführt wird. Wenn Sie einen Auslöser erstellen, geben Sie an:

• Timing: Vor oder nachher – ob der Auslöser vor oder nach dem Ereignis abfeuert.
• Ereignis: Einfügen, aktualisieren oder löschen Sie den Vorgang, der den Auslöser aktiviert.
• Tabelle: Der Identify der Tabelle, an die sie beigefügt ist.
• Auslöser Körper: Die SQL -Anweisungen zur Ausführung, eingeschlossen in Beginn… Ende.

Beispielsweise wird ein Voreingang ausgeführt, kurz bevor eine neue Zeile zur Tabelle hinzugefügt wird, und ein After -Replace -Set off wird gleich nach der Änderung einer vorhandenen Zeile ausgeführt. MySQL benötigt das Schlüsselwort für jede Zeile in einem Auslöser, wodurch der Triggerkörper für jede von der Operation betroffene Zeile ausgeführt wird.

In einem Auslöser verweisen Sie mit den neuen und alten Aliase auf die Zeilendaten. In einem Einfügungsauslöser ist nur New.Column verfügbar (die eingehenden Daten). In ähnlicher Weise ist in einem Löschauslöser nur alter. In einem Replace -Auslöser können Sie jedoch beides verwenden: Previous.Column bezieht sich auf die Werte der Zeile vor dem Replace, und New Werte nach dem Replace.

Sehen wir uns die Set off -SQL -Syntax an:

CREATE TRIGGER trigger_name
BEFORE|AFTER UPDATE ON table_name
FOR EACH ROW
BEGIN
-- SQL statements right here --
END;

Dies ist das Commonplace -SQL -Formular. Eine Sache, die beachtet werden muss, ist, dass die Triggerkörper häufig mehrere Aussagen mit Semikolonen enthalten. Normalerweise sollten Sie zuerst den SQL -Degremiter ändern, z.

Schritt-für-Schritt-Beispiel für das Erstellen von Triggern

Lassen Sie uns nun sehen, wie wir Set off in SQL erstellen können.

Schritt 1: Bereiten Sie eine Tabelle vor

Lassen Sie uns dazu einfach eine einfache Benutzertabelle erstellen:

CREATE TABLE customers (
id INT AUTO_INCREMENT PRIMARY KEY,
username VARCHAR(50),
created_at DATETIME,
updated_at DATETIME
);

Schritt 2: Ändern Sie den Trennzeichen

In SQL können Sie den Anweisungsgrenzwert ändern, damit Sie Multi-Assertion-Set off schreiben können. Zum Beispiel:

DELIMITER //

Schritt 3: Schreiben Sie die Anweisung Create Set off

Zum Beispiel können wir einen Auslöser erstellen, der die Spalte created_at auf die aktuelle Zeit beim Einfügen festlegt:

CREATE TRIGGER before_users_insert
BEFORE INSERT ON customers
FOR EACH ROW
BEGIN
IF NEW.created_at IS NULL THEN
SET NEW.created_at = NOW();
END IF;
END;
//

Im obigen Code bedeutet der Voreinfügungseinsatz auf den Benutzern, dass der Set off vor dem Einfügen jeder neuen Zeile feuert. Der Set off -Körper prüft, ob neu.created_at null ist und wenn ja, füllt es mit jetzt (). Dies automatisiert ein Zeitstempel.

Nach dem Schreiben des Auslösers können Sie den Trennzeichen falls gewünscht wiederherstellen, damit andere Codes ohne Probleme ausgeführt werden können.

DELIMITER ;

Schritt 4: Testen Sie den Abzug

Wenn Sie nun einfügen, ohne erstellte created_at anzugeben, wird der Auslöser automatisch festgelegt.

INSERT INTO customers (username) VALUES ('Alice');
SELECT * FROM customers;

Und das created_at wird automatisch mit dem aktuellen Datum/der aktuellen Uhrzeit gefüllt. Ein Auslöser kann Aufgaben automatisieren, indem Standardwerte eingerichtet werden.

Verschiedene Arten von Triggern

Für jede Tabelle gibt es sechs Arten von SQL -Triggern:

1. Vor dem Auslöser einfügen
2. Vor dem Replace -Set off
3. Vor dem Löschen des Triggers
4. Nach dem Einfügen von Set off
5. Nach dem Replace -Set off
6. Nach dem Löschen des Triggers

Lassen Sie uns anhand von Beispielen über jeden von ihnen erfahren.

1. Vor dem Set off einfügen

Dieser Auslöser wird aktiviert, bevor eine neue Zeile in eine Tabelle eingefügt wird. Es wird häufig verwendet, um die Daten zu validieren oder zu ändern, bevor sie gespeichert werden.

Beispiel für die Auslöser -SQL -Syntax für vor dem Einfügen:

DELIMITER //

CREATE TRIGGER before_insert_user
BEFORE INSERT ON customers
FOR EACH ROW
BEGIN
  SET NEW.created_at = NOW();
END;
// 

DELIMITER ;

Dieser Auslöser wird automatisch auf den Zeitstempel erstellt- und Zeitstempel erstellt eingestellt, bevor ein neuer Benutzerdatensatz eingefügt wird.

2. Vor dem Replace -Set off

Dieser Auslöser wird ausgeführt, bevor eine vorhandene Zeile aktualisiert wird. Dies ermöglicht die Validierung oder Änderung von Daten, bevor das Replace erfolgt.

Beispiel für die Set off -SQL -Syntax für vor dem Replace:

DELIMITER //

CREATE TRIGGER before_update_user
BEFORE UPDATE ON customers
FOR EACH ROW
BEGIN
  IF NEW.e-mail NOT LIKE '%@%' THEN
    SIGNAL SQLSTATE '45000' SET MESSAGE_TEXT = 'Invalid e-mail deal with';
  END IF;
END;
//
 
DELIMITER ;

Dieser Auslöser prüft, ob die neue E -Mail -Adresse vor der Aktualisierung des Benutzerkurs gültig ist. Wenn nicht, wird ein Fehler aufgeworfen.

3. Vor dem Löschen des Triggers

Dies wird ausgeführt, bevor eine Zeile gelöscht wird. Und kann auch zur Durchsetzung der Referenzintegrität oder zur Verhinderung des Löschens unter bestimmten Bedingungen verwendet werden.

Beispiel für die Auslöser -SQL -Syntax für vor dem Löschen:

DELIMITER //

CREATE TRIGGER before_delete_order
BEFORE DELETE ON orders
FOR EACH ROW
BEGIN
  IF OLD.standing="Shipped" THEN
    SIGNAL SQLSTATE '45000' SET MESSAGE_TEXT = 'Can not delete shipped orders';
  END IF;
END;
//
 
DELIMITER ;

Dieser Auslöser verhindert die Löschung von Bestellungen, die bereits versendet wurden.

4. Nach dem Einfügungsauslöser

Dieser Auslöser wird ausgeführt, nachdem eine neue Zeile eingefügt wurde und häufig zur Protokollierung oder Aktualisierung der zugehörigen Tabellen verwendet wird.

Beispiel für die Set off -SQL -Syntax für After After Insert

DELIMITER //

CREATE TRIGGER after_insert_user
AFTER INSERT ON customers
FOR EACH ROW
BEGIN
  INSERT INTO user_logs(user_id, motion, log_time
  VALUES (NEW.id, 'Consumer created', NOW());
END;
//
 
DELIMITER ;

Dadurch wird die Erstellung eines neuen Benutzers in der Tabelle user_logs protokolliert.

5. Nach dem Replace -Set off

Dieser Auslöser wird ausgeführt, nachdem eine Zeile aktualisiert wurde. Und ist nützlich für die Prüfung von Änderungen oder zur Aktualisierung der verwandten Daten.

Beispiel für die Set off -SQL -Syntax für After After Replace

DELIMITER //

CREATE TRIGGER after_update_user
AFTER UPDATE ON customers
FOR EACH ROW
BEGIN
  INSERT INTO user_logs(user_id, motion, log_time)
  VALUES (NEW.id, CONCAT('Consumer up to date: ', OLD.identify, ' to ', NEW.identify), NOW());
END;
//
 
DELIMITER ;

Dadurch wird die Änderung des Namens eines Benutzers nach einem Replace abgelehnt.

6. Nach dem Löschen des Triggers

Dieser Auslöser wird ausgeführt, nachdem eine Zeile gelöscht wurde. Und wird üblicherweise zur Protokollierung von Löschungen oder zur Reinigung der verwandten Daten verwendet.

Beispiel für die Set off -SQL -Syntax für nach dem Löschen

DELIMITER //

CREATE TRIGGER after_delete_user
AFTER DELETE ON customers
FOR EACH ROW
BEGIN
  INSERT INTO user_logs(user_id, motion, log_time)
  VALUES (OLD.id, 'Consumer deleted', NOW());
END;
//
 
DELIMITER ;

Dadurch wird die Löschung eines Benutzers in der Tabelle user_log angewiesen.

Wann und warum können Set off verwendet werden

Auslöser sind leistungsstark, wenn Sie Dinge automatisieren möchten, die passieren, wenn sich die Daten ändern. Im Folgenden finden Sie einige Anwendungsfälle und Vorteile, die hervorgehen, wann und warum Sie SQL -Set off verwenden sollten.

• Automatisierung von Routineaufgaben: Sie können Spalten wie Zeitstempel, Zähler oder berechnete Werte automatisieren oder automatisch füllen oder aktualisieren, ohne einen zusätzlichen Code in Ihrer App zu schreiben. Wie im obigen Beispiel haben wir die Felder erstellte und updated_at automatisch verwendet.
• Durchsetzung der Datenintegrität und -regeln: Auslöser können Ihnen helfen, die Bedingungen zu überprüfen und sogar ungültige Vorgänge zu verhindern. Beispielsweise kann ein Bevor_insert -Set off eine Zeile stoppen, wenn er einige Regeln durchläuft, indem ein Fehler erhöht wird. Dies stellt sicher, dass die Daten auch dann sauber bleiben, wenn ein Fehler auftritt.
• Audit -Protokolle und Monitoring: Sie können Ihnen auch helfen, Änderungen automatisch aufzunehmen. Ein After -Löschen -Set off kann einen Datensatz in eine Protokolltabelle einfügen, wenn eine Zeile gelöscht wird. Dies gibt einen Prüfungsweg, ohne separate Skripte schreiben zu müssen.
• Konsistenz über mehrere Tabellen hinweg aufrechterhalten: Manchmal müssen Sie eine Scenario haben, in der sich die andere Tabelle automatisch aktualisieren soll, wenn eine Tabelle geändert wird. Auslöser können diese verknüpften Updates hinter den Kulissen bewältigen.

Leistungsüberlegungen und Einschränkungen

Sie müssen mit Sorgfalt Set off laufen. Da Set off jedes Mal, wenn sich die Daten ändert, leise verlaufen, können sie manchmal die Dinge verlangsamen oder das Debuggen schwierig machen, wenn Sie zu viele haben. Für Dinge wie das Festlegen von Zeitstempeln, das Überprüfen von Eingängen oder das Synchronisieren anderer Daten sind jedoch sehr nützlich. Sie sparen Zeit und verringern auch alberne Fehler, wenn sie denselben Code immer wieder schreiben.

Hier sind einige Punkte zu berücksichtigen, bevor sie sich für die Verwendung entscheiden Sql Auslöser:

• Versteckte Logik: Der Triggercode wird in den Datenbanken gespeichert und wird automatisch ausgeführt, wodurch das Verhalten des Methods weniger clear wird. So können Entwickler vergessen, dass der Auslöser die Daten hinter den Kulissen verändert. Daher sollte es intestine dokumentiert werden.
• Keine Transaktionskontrolle: Sie können eine Transaktion in einem SQL -Auslöser nicht starten, verpflichten oder zurückgreifen. Alle Triggeraktionen treten im Kontext der Transaktion der ursprünglichen Anweisung auf. Mit anderen Worten, Sie können keine teilweise Änderung in einem Auslöser begehen und die Hauptaussage fortsetzen.
• Nicht-transaktionale Tabellen: Wenn Sie eine nicht-transaktionsübergreifende Motor verwenden und ein Triggerfehler auftritt. SQL kann nicht vollständig zurückrollen. Daher können sich einige Teile der Daten ändern, und einige Teile können möglicherweise nicht die Daten inkonsistent machen.
• Begrenzte Datenoperationen: SQL -Grenzen, die Auslöser bestimmter Aussagen ausführen. Sie können beispielsweise DDL nicht ausführen oder eine gespeicherte Routine aufrufen, die ein Ergebnissatz zurückgibt. Außerdem gibt es in SQL keine Auslöser in Ansichten.
• Keine Rekursion: SQL erlaubt keine Rekursion; Es kann nicht weiterhin dieselbe Tabelle ändern, auf der es so definiert ist, dass sie sich sofort wieder feuern würde. Daher ist es ratsam, Auslöser zu vermeiden, die durch kontinuierliche Aktualisierung der gleichen Zeilen schleifen.

Vergleichstabelle für MySQL vs PostgreSQL vs SQL Server Triggers

Schauen wir uns nun an, wie sich Set off in verschiedenen Datenbanken unterscheiden wie MySQL, PostgreSQLund SQL Server.

Melden Sie sich an, um weiter zu lesen und Experten-Kuratinhalte zu genießen.

Lesen Sie weiter kostenlos