# Einführung

Die meisten Groups stellen fest, dass sie eine benötigen Characteristic-Retailer auf die harte Tour. Ein Betrugsmodell arbeitet im Pocket book und bringt nonetheless und leise die Produktion zum Erliegen. Ein Supportmitarbeiter gibt eine allgemeine Antwort, da er keine Ahnung hat, wer der Benutzer ist. Eine Empfehlungspipeline dupliziert dieselbe Berechnung der „30-Tage-Ausgaben“ für drei Jobs, und zwei davon sind anderer Meinung.

Ein Characteristic Retailer ist das Teil davon Infrastruktur das behebt diese Probleme. Es definiert Funktionen einmal, speichert sie in zwei Formen (eine zum Coaching, eine zum Servieren) und hält beide synchron. Wir werden ein Minimalmodell von Grund auf neu bauen Pythonverwenden DuckDB, Parkett, RedisUnd FastAPI. Dann schauen wir uns an, wie KI-Anwendungen das verändern, wofür wir sie tatsächlich nutzen.

Der vollständige Code ist kurz genug, dass wir jede Komponente durchgehen können.

# Was ein Characteristic Retailer tatsächlich löst

Der klassische Pitch ist der Trainings-Serving-Skew: Das SQL, das Ihren Trainingssatz erstellt hat, ist nicht derselbe Codepfad, der bei der Inferenz ausgeführt wird, sodass die Werte abweichen. Dieses Downside ist actual und die Trennung von Offline und On-line ist die Standardlösung.

Das moderne Spielfeld ist breiter. Giant Language Mannequin (LLM)-Agenten und Retrieval-Augmented Era (RAG)-Pipelines benötigen einen strukturierten Benutzerkontext zur Inferenzzeit, bei jeder Anfrage, in weniger als 10 ms. Ein LLM hat keine Erinnerung daran, wer der Benutzer ist. Wenn wir eine personalisierte Ausgabe wünschen, müssen wir die Planstufe des Benutzers, die letzte Aktivität und den Kontostatus in die Eingabeaufforderung einfügen, und wir brauchen ein System, das diese Werte schnell und konsistent zurückgeben kann. Genau das bieten uns der On-line-Store und die Abruf-API eines Characteristic-Shops.

Deshalb bauen wir für beides. Die gleichen fünf Komponenten behandeln den Anwendungsfall des prädiktiven maschinellen Lernens und den LLM-Kontext-Anwendungsfall.

# Die fünf Komponenten

• Eine Characteristic-Registrierung, die Options als Code definiert.
• Ein Offline-Store auf Parquet, abgefragt mit DuckDB, für Schulungen und Auffüllungen.
• Ein On-line-Store auf Redis für Nachschlagevorgänge mit geringer Latenz.
• Eine Materialisierungspipeline, die die neuesten Werte von offline nach on-line überträgt.
• Ein FastAPI-Dienst, der eine typisierte Abruf-API verfügbar macht.

# Laufbeispiel: Ein personalisierter LLM-Empfehler

Wir betreiben einen Streamingdienst. Wenn ein Benutzer die App öffnet, generiert ein LLM eine kurze, personalisierte Nachricht „Was Sie als Nächstes ansehen sollten“. Das LLM benötigt drei Dinge über den Benutzer:

Das Wesen ist user_id. Wir werden diese drei Funktionen registrieren, materialisieren und sie dem LLM auf Anfrage zur Verfügung stellen.

// 1. Definieren der Characteristic Registry

Eine Registrierung ist lediglich ein Ort, an dem Options einmalig mit ihrer Entität, ihrem Dtype und ihrer Quelle deklariert werden. Wir verwenden eine Datenklasse.

from dataclasses import dataclass
from typing import Literal

@dataclass(frozen=True)
class Characteristic:
    title: str
    entity: str
    dtype: Literal("int", "float", "str")
    supply: str  # path to a Parquet file or a SQL view

REGISTRY: dict(str, Characteristic) = {
    "user_segment": Characteristic("user_segment", "user_id", "str", "information/user_segment.parquet"),
    "watch_count_30d": Characteristic("watch_count_30d", "user_id", "int", "information/watch_count_30d.parquet"),
    "last_genre": Characteristic("last_genre", "user_id", "str", "information/last_genre.parquet"),
}

Den vollständigen Code finden Sie hier Hier.

Wenn Sie es ausführen, wird in der Ausgabe Folgendes angezeigt:

Registered options:
user_segment  entity=user_id  dtype=str  supply=information/user_segment.parquet
watch_count_30d  entity=user_id  dtype=int  supply=information/watch_count_30d.parquet
last_genre  entity=user_id  dtype=str  supply=information/last_genre.parquet

Das ist der Vertrag. Jede andere Komponente liest aus REGISTRYsodass das Umbenennen eines Options, das Ändern seines D-Typs oder das Verweisen auf eine neue Quelle an einer Stelle erfolgt. In Produktionssystemen wäre dies der Fall YAML oder ein in ein Git-Repository eingechecktes Python-Modul mit Codeüberprüfung bei jeder Änderung.

// 2. Aufbau des Offline-Retailers mit DuckDB und Parquet

Der Offline-Store speichert den vollständigen Verlauf jedes Merkmalswerts. Wir verwenden Parquet-Dateien als Speicherschicht und DuckDB als Abfrage-Engine. DuckDB liest Parquet direkt, was bedeutet, dass keine separate Datenbank ausgeführt werden muss.

Hier ist ein Beispiel des Codes:

import duckdb
import pandas as pd

def get_historical_features(
    entity_df: pd.DataFrame, options: record(str)
) -> pd.DataFrame:
    con = duckdb.join()
    con.register("entities", entity_df)
    base = "SELECT * FROM entities"
    for fname in options:
        f = REGISTRY(fname)
        src = f.supply.change("'", "''")
        con.execute(f"CREATE VIEW {fname}_src AS SELECT * FROM '{src}'")
        base = f"""
            SELECT t.*, s.{fname}
            FROM ({base}) t
            ASOF LEFT JOIN {fname}_src s
              ON t.user_id = s.user_id
             AND t.event_timestamp >= s.event_timestamp
        """
    return con.execute(base).df()

Den vollständigen Code finden Sie hier Hier.

Wenn Sie es ausführen, wird in der Ausgabe Folgendes angezeigt:

Der AsOf beitreten ist der Level-in-Time-Be part of. Für jede Entitätszeile wird der aktuellste Featurewert ausgewählt, bei dem der Zeitstempel des Options beim oder vor dem Ereigniszeitstempel liegt. Dadurch wird Leckage verhindert – wenn eine Trainingszeile mit einem Merkmalswert erstellt wird, der zu dem Zeitpunkt, für den wir die Vorhersage treffen, noch nicht vorhanden conflict.

Level-in-Time-Joins sind immer noch die richtige Antwort für jedes Modell, das wir trainieren oder verfeinern möchten. Für einen reinen Inferenzzeit-LLM-Anwendungsfall rufen wir diese Funktion möglicherweise nie auf. Wir wollen weiterhin den Offline-Retailer, da dort Backfills, Bewertungsdatensätze und Audits herkommen.

// 3. Einrichten des On-line-Retailers auf Redis

Der On-line-Store speichert nur den neuesten Wert professional Entität. Redis ist die Standardwahl, da Hash-Suchvorgänge weniger als eine Millisekunde dauern.

import json
import fakeredis  # use redis.Redis() in opposition to an actual server in manufacturing

r = fakeredis.FakeRedis(decode_responses=True)

def write_online(entity: str, entity_id: str, values: dict) -> None:
    r.hset(
        f"{entity}:{entity_id}",
        mapping={okay: json.dumps(v) for okay, v in values.gadgets()},
    )

def read_online(entity: str, entity_id: str, options: record(str)) -> dict:
    uncooked = r.hmget(f"{entity}:{entity_id}", options)
    return {f: json.masses(v) if v else None for f, v in zip(options, uncooked)}

Den vollständigen Code finden Sie hier Hier.

Wenn Sie es ausführen, wird in der Ausgabe Folgendes angezeigt:

read_online -> {'user_segment': 'power_user', 'watch_count_30d': 47, 'last_genre': 'documentary'}
lacking key -> {'user_segment': None}

Die Schlüsselform ist entity:entity_id. Der Wert ist ein Hash mit einem Feld professional Characteristic. Eine Single HMGET gibt alle von uns gewünschten Funktionen in einem Rundlauf zurück. Auf einer lokalen Redis-Instanz mit drei Funktionen ist dies in deutlich unter 1 ms erledigt.

// 4. Ausführen der Materialisierungspipeline

Durch die Materialisierung werden Werte von offline nach on-line verschoben. In einem realen System läuft dies nach einem Zeitplan (Airflow, Cron, ein Streaming-Job). Hier ist es eine Funktion.

def materialize(options: record(str)) -> None:
    by_entity: dict(str, dict) = {}
    for fname in options:
        f = REGISTRY(fname)
        src = f.supply.change("'", "''")
        df = duckdb.sql(f"""
            SELECT {f.entity}, {fname}
            FROM '{src}'
            QUALIFY ROW_NUMBER() OVER (
                PARTITION BY {f.entity}
                ORDER BY event_timestamp DESC
            ) = 1
        """).df()
        for _, row in df.iterrows():
            by_entity.setdefault(row(f.entity), {})(fname) = row(fname)
    for entity_id, values in by_entity.gadgets():
        write_online("user_id", entity_id, values)

Den vollständigen Code finden Sie hier Hier.

Wenn Sie es ausführen, wird in der Ausgabe Folgendes angezeigt:

user_id:8a2f -> {'user_segment': 'power_user', 'watch_count_30d': 47, 'last_genre': 'documentary'}
user_id:b13c -> {'user_segment': 'informal', 'watch_count_30d': 5, 'last_genre': 'thriller'}

Der QUALIFY Die Klausel behält die neueste Zeile professional Entität bei. Wir gruppieren alle Funktionen für denselben Benutzer in einem Redis-Schreibvorgang, um Roundtrips zu vermeiden. Führen Sie dies mit der Kadenz aus, die jede Funktion benötigt: stündlich für watch_count_30dnahezu in Echtzeit für last_genretäglich für user_segment. Die Registrierung ist der richtige Ort, um diesen Rhythmus in einer realen Implementierung zu kodieren.

// 5. Offenlegung des FastAPI Retrieval Service

Der Abrufdienst ist die Produktionsfläche. Es ist das, was die LLM-Anwendung aufruft.

f = resp.json()("options")
print("nPrompt the LLM would obtain:")
print(
    f"  System: You advocate reveals for a streaming service.n"
    f"  Person context: section={f('user_segment')}, "
    f"watched {f('watch_count_30d')} titles in final 30 days, "
    f"final style watched: {f('last_genre')}.n"
    f"  Activity: recommend 3 titles in a pleasant, brief message."
)

Den vollständigen Code finden Sie hier Hier.

Wenn Sie es ausführen, wird in der Ausgabe Folgendes angezeigt:

POST /get-online-features -> 200
physique: {'user_id': '8a2f', 'options': {'user_segment': 'power_user', 'watch_count_30d': 47, 'last_genre': 'documentary'}}
Immediate the LLM would obtain:
  System: You advocate reveals for a streaming service.
  Person context: section=power_user, watched 47 titles in final 30 days, final style watched: documentary.
  Activity: recommend 3 titles in a pleasant, brief message.

Der Characteristic Retailer ist der Teil, der „Benutzer 8a2f“ in einen strukturierten Kontext umwandelt, den das LLM verwenden kann.

# Wo der Characteristic Retailer endet und die Vektordatenbank beginnt

Eine Vektordatenbank (Tannenzapfen, Weben, pgvector) ist kein Characteristic Retailer, auch wenn beide bei der Schlussfolgerung vor einem Modell stehen. Sie lösen verschiedene Retrieval-Probleme.

Ein echter LLM-Stack nutzt beides. Die Vektordatenbank gibt die drei ähnlichsten vergangenen Betrachtungssitzungen zurück. Der Characteristic Retailer gibt das Phase des Benutzers und die letzten Zählungen zurück. Die Eingabeaufforderung kombiniert sie.

# Gängige Anti-Patterns

Einige Muster, die wir immer wieder beobachten, scheitern:

• Rechenfunktionen innerhalb des Modelldienstes. Die gleiche Logik landet im Trainingsnotizbuch und in der API, und die beiden Definitionen weichen innerhalb eines Quartals voneinander ab.
• Den On-line-Store als Quelle der Wahrheit betrachten. Redis verliert Daten bei einem fehlerhaften Neustart. Der Offline-Store ist kanonisch; Der On-line-Store ist ein Cache.
• Überspringen der Registrierung. Drei Groups definieren unabhängig voneinander active_user und die Dashboards stimmen nicht mehr mit dem Modell überein.
• Eine Vektordatenbank als Characteristic Retailer bezeichnen. Es können keine strukturierten Suchvorgänge mit Entitätsschlüssel durchgeführt werden, und eine Eingabeaufforderung, die beides benötigt, wird ohnehin mit zwei Systemen verbunden sein.
• Auffüllen ohne Level-in-Time-Joins. Das Trainingsset sieht großartig aus, das Serienmodell sieht kaputt aus und die Lücke ist das Leck.

# Vergleich mit Feast, Tecton und Databricks

Unsere ca. 200 Linien erledigen die gleiche Aufgabe im Miniaturformat.

Fest ist der naheliegendste Vergleich, wenn wir nach dem gleichen Muster weitergehen wollen: selbst gehostet. Tecton Und Datenbausteine sind die verwalteten Pfade und verfügen über explizite LLM-Funktionen (Tectons Characteristic Retrieval API für LLMs, Databricks Characteristic Serving für zusammengesetzte generative KI-Systeme). Die Wahl zwischen ihnen hängt hauptsächlich davon ab, wie viel wir selbst betreiben möchten und ob der Relaxation unseres Stacks bereits in Databricks lebt.

# Abschluss

Ein funktionierender Characteristic Retailer besteht aus fünf Komponenten: einer Registrierung, einem Offline-Retailer, einem On-line-Retailer, einem Materialisierungsschritt und einer Abruf-API. Wenn wir es einmal bauen, erfahren wir, warum die Produktionssysteme so aussehen, wie sie aussehen. Es zeigt auch, wo sich das Design für KI ändert: Der On-line-Abrufpfad ist die Oberfläche, auf die das LLM trifft, Level-in-Time-Joins sind wichtig, wenn wir trainieren oder auswerten, und die Vektordatenbank befindet sich neben dem Characteristic Retailer und nicht darin.

Sobald wir diese Teile haben, ist der Austausch unserer Minimalversion gegen Feast, Tecton oder Databricks größtenteils eine Migration der Registrierung. Die Kind des Methods bleibt gleich.

Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Developments auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.

Wenn es um KI-Agenten und Workflow-Automatisierung geht, gehört Manus AI zu den Spitzenreitern dieser Artwork von Lösungen. Die Plattform ist für ihre Fähigkeiten so bekannt, dass wir Leute hier bei AnalyticsVidhya sie ausgiebig dafür nutzen eine Reihe von Aufgaben. Und so sollte es keine Überraschung sein, dass wir uns im Laufe der Monate und Jahre ausführlich damit befasst haben. Mit diesem Kontinuum kommt ein großes Replace in dieser Geschichte. Manus 1.5 ist da!

Ich verstehe es. Gehen wir ein wenig zurück. Was ist Manus AI überhaupt? Wie hilft es Ihnen? Lohnt es sich, diesen Artikel zu erkunden (oder sogar durchzulesen)?

Alles zur rechten Zeit, ab jetzt.

Was ist Manus AI?

Für diejenigen, die es nicht wissen: Manus AI ist ein leistungsstarker Allzweck-KI-Agent. Beachten Sie, dass es sich um einen KI-Agenten handelt. nicht Ihr normaler KI-Chatbot wie ChatGPT. Das bedeutet, dass es darauf ausgelegt ist, natürliche Sprache in reale Ergebnisse umzuwandeln. Im Gegensatz zu herkömmlichen KI-Chatbots, die bei Erklärungen stehen bleiben, führt Manus AI komplexe, mehrstufige Aufgaben vollständig in der Cloud aus. Beschreiben Sie einfach, was Sie erreichen möchten, und schon geht es Schritt für Schritt an die Arbeit.

Mit Manus können Sie Aufgaben von der Recherche und Datenanalyse bis hin zur Web site-Entwicklung und -Automatisierung ausführen. Sie können einen kompletten Arbeitsablauf wie „Lebensläufe analysieren, Kandidaten bewerten und eine Auswahlliste erstellen“ delegieren, Ihren Browser schließen und zurückkehren, um zu sehen, wie der Vorgang abgeschlossen ist. So einfach ist das!

Du kannst Lesen Sie hier ausführlicher über Manus AI.

Geben Sie Manus 1.5 ein

Manus 1.5 ist das neueste Modell von Manus mit erweiterten Funktionen und schnellerer Leistung. Insgesamt verspricht das neue Modell Verbesserungen bei „Geschwindigkeit, Zuverlässigkeit und Qualität über alle Aufgabentypen hinweg“, wie das Manus-Workforce in seinem Beitrag erwähnt freigeben. In Zahlen ausgedrückt ist es in der Lage, viermal schnellere Ergebnisse, eine um 15 % bessere Qualität und eine um 6 % höhere Benutzerzufriedenheit zu liefern. Darüber hinaus kann es nun auch größere und komplexere Probleme bewältigen.

Allerdings verspricht das Manus-Workforce mit diesem Replace nicht nur schnellere oder intelligentere Ergebnisse. Tatsächlich ist die größte Fähigkeit, die das neue Modell mit sich bringt, die Entwicklung von Full-Stack-Webanwendungen. Das bedeutet, dass Sie jetzt beschreiben können, was Sie wollen, und Manus 1.5 erstellt es, stellt es bereit und verwaltet es sogar – alles in einem nahtlosen Arbeitsablauf.

Beachten Sie, dass Manus 1.5 nicht das einzige neue Modell ist, das auf den Markt kommt. Daneben hat das Unternehmen eine „Lite“-Model mit dem Namen Manus-1.5-Lite angekündigt. Dieses soll „ein optimiertes, auf Kosteneffizienz optimiertes Erlebnis“ bieten. Im Grunde eine leichtere Model mit eingeschränkten Fähigkeiten. Während Manus 1.5 die gesamte Leistung der neuen Architektur bietet, soll Manus 1.5 Lite Ihnen eine Demo dieser Leistung bieten. Wir werden in Kürze die Lite-Model für eine praktische Erfahrung mit der Erstellung von No-Code-Apps verwenden.

Alle einsteigen in den „No-Code-App-Zug“

Natürlich ist Manus 1.5 nicht der erste Versuch einer solchen No/Low-Code-App-Produktion. Erst letzte Woche kündigte Google ähnliche App-Constructing-Funktionen in seinem AI Studio an. Ich habe mithilfe der Plattform innerhalb weniger Minuten eine Reiserouten-Generator-App für indische Städte erstellt. Du kannst Lesen Sie hier alles darüber. Kürzlich hat Microsoft ähnliche Funktionen für seine Microsoft 365 Copilot-Plattform entwickelt, mit denen Sie Apps in einfacher englischer Sprache erstellen können.

Auch wenn es nicht der erste ist, gehört Manus 1.5 sicherlich zu den Spitzenreitern in diesem Section. Lobenswert ist die Tatsache, dass das Workforce dahinter die vorliegende Anforderung analysiert und schnell ein Modell speziell für die App-Entwicklung erstellt hat. Die Benutzerbasis von Manus AI, vor allem diejenigen, die sich agentische KI-Erlebnisse für automatisierte Arbeitsabläufe wünschen, wird diese Entwicklung sicherlich lieben.

So greifen Sie auf Manus 1.5 zu

Sie können die offizielle Manus-Web site besuchen (klicken Sie hier), um das neue Manus 1.5 zu verwenden, oder machen Sie dasselbe mit der Manus Android- oder iOS-App. Sobald Sie sich in der App befinden, können Sie einfach Manus 1.5 oder Manus 1.5 Lite aus dem Dropdown-Menü oben hyperlinks in Ihrem Chat-Fenster auswählen.

Beachten Sie, dass die Nutzung von Manus 1.5 Lite zwar für begrenzte Credit kostenlos ist, Sie jedoch einen kostenpflichtigen Plan benötigen, um auf Manus 1.5 zuzugreifen, was uns zur nächsten Frage bringt.

Manus 1.5 Preise

Abgesehen vom kostenlosen Kontingent, bei dem Sie täglich 300 Credit für Manus 1.5 Lite erhalten, hat Manus drei Preisoptionen für seine Plattform beibehalten.

• Der Primary-Plan beginnt bei 19 $/Monat und bietet Ihnen Funktionen wie 1900 Credit/Monat (zusätzlich zu den 300 Aktualisierungs-Credit professional Tag), 2 gleichzeitige Aufgaben, 2 geplante Aufgaben, Folien, Bild- und Videogenerierung und umfassende Recherche.
• Der Plus-Plan beginnt bei 39 $/Monat und bietet jeweils 3 gleichzeitige und geplante Aufgaben sowie 3900 Credit professional Monat.
• Der Professional-Plan kostet 199 $/Monat und beinhaltet 19.900 zusätzliche Credit professional Monat, jeweils 10 gleichzeitige und geplante Aufgaben sowie frühen Zugriff auf Beta-Funktionen.

Manus führt ein zeitlich begrenztes Angebot durch, bei dem beim Kauf eines der kostenpflichtigen Abonnementpläne die doppelten zusätzlichen Credit für jeden Plan angeboten werden. Wenn Sie additionally jetzt den Primary-Plan kaufen, erhalten Sie effektiv 1900 + 1900 Credit/Monat.

Beachten Sie, dass diese monatlichen Preise um 17 % reduziert werden, wenn Sie sich für die jährliche Abrechnungsoption entscheiden.

Nachdem das erledigt ist, fangen wir gleich an, den neuen Manus 1.5 Lite für eine reale Aufgabe zu testen.

Manus 1.5 Lite Praktische Vibe-Codierung

Ich habe meinen Versuch einer No-Code-App mit Google AI Studio für Manus 1.5 Lite repliziert. Dies schien eine logische Possibility zu sein, da es mir helfen würde, die Ergebnisse mit einer anderen App zu beurteilen, die ich bereits über eine ähnliche Plattform erstellt habe. Ich habe dafür die folgende Eingabeaufforderung verwendet:

Immediate: Erstellen Sie einen Reiseroutengenerator für alle Orte in Indien, der auf der Eingabe eines Ortes, der Anzahl der Touristen und der Reisedaten basiert. Die App sollte Gemini auffordern, jede Antwort zu generieren. Alle Antworten sollten in Kind eines Zeitplans erfolgen, der über die Daten hinweg aufgebaut ist.

Ausgabe:

Hand aufs Herz, das warfare eine der besten No-Code-App-Entwicklungen, die ich bisher ausprobiert habe. Manus 1.5 Lite brauchte etwa 4 Minuten, um die gesamte App zu erstellen, was in meinen Checks hervorragend funktionierte. Ich habe die Screenshots dazu unten geteilt. Schauen Sie selbst und seien Sie der Richter.

Ich habe die App-Entwicklung sogar mit der Aufforderung verfolgt, das Thema in Orange und Grau zu ändern. Schauen Sie sich die Ergebnisse an.

Abschluss

Manus 1.5 markiert einen Wendepunkt für die Plattform. Mit der neuen Architektur und den neuen Funktionen geht es über die Automatisierung von Arbeitsabläufen hinaus hin zur Erstellung vollständiger digitaler Produkte. Von der schnelleren Aufgabenausführung bis zur Full-Stack-App-Generierung ist klar, dass Manus nicht mehr nur ein Assistent oder Agent ist, der im Backend arbeitet. Auch bei technischen Kreationen können Sie sich darauf verlassen.

Der geniale Schachzug hier ist Manus 1.5 Lite, der die Einstiegshürde senkt, während die Vollversion professionelle Grenzen verschiebt. Meiner Meinung nach richtet sich die Plattform jetzt an ein breiteres Publikum als je zuvor. Vom neugierigen Anfänger bis zum Energy-Consumer ist Manus 1.5 sicherlich ein Muss für jeden, der seine Produktivität steigern möchte.

Weitere solcher KI-Instruments zur Produktivitätssteigerung finden Sie in meinem Liste der 20 besten KI-Instruments für die Arbeit finden Sie hier.