# Einführung

Wörterbücher in Python sind für alles nützlich, von Konfigurationen über JSON-Daten bis hin zu API-Antworten. Die meisten Anfänger lernen nur die Grundlagen, wie das Erstellen eines Wörterbuchs, den Zugriff auf einen Schlüssel und das Aktualisieren eines Werts. Das ist es. Wörterbücher haben jedoch noch viel mehr zu bieten. In diesem Artikel gehen wir darauf ein 7 Tipps, die Ihren Code sauberer und pythonischer machen. Additionally, fangen wir an.

# Benutzen .get() Anstelle von () für Lookups

Nehmen wir an, Sie arbeiten mit einem Wörterbuch und müssen auf einen Wert zugreifen. Was aber, wenn der Schlüssel nicht da ist? Nehmen wir an, wir haben ein Konfigurationswörterbuch und Sie versuchen, es auszudrucken "timeout" Schlüssel wie folgt:

config = {"debug": True, "verbose": False}
print(config("timeout"))

Ausgabe:

---------------------------------------------------------------------------
KeyError                                  Traceback (most up-to-date name final)
----> 2 print(config("timeout"))
KeyError: 'timeout'

Dies wird scheitern. Du bekommst ein KeyError Weil "timeout" steht nicht im Wörterbuch. Stattdessen sollten Sie die verwenden .get() Verfahren. Es ist sicherer und Sie können einen Standardwert festlegen, wenn der Schlüssel fehlt.

config = {"debug": True, "verbose": False}

print(config.get("timeout", 30))

Ausgabe:

Dies wird gedruckt 30Dies ist der von uns festgelegte Standardwert. Wenn jedoch ein fehlender Schlüssel ein Fehler ist, verwenden Sie eckige Klammern. In diesem Fall möchten Sie, dass der Fehler sofort angezeigt wird.

# Benutzen defaultdict zum Gruppieren von Daten

Wenn Sie mit einer Liste von Wörtern arbeiten und zählen möchten, wie oft jedes Wort vorkommt, können Sie es wie folgt codieren:

phrases = ("apple", "banana", "apple", "cherry", "banana", "banana")

counts = {}

for phrase in phrases:
    if phrase not in counts:
        counts(phrase) = 0
    counts(phrase) += 1

print(counts)

Ausgabe:

{'apple': 2, 'banana': 3, 'cherry': 1}

Das funktioniert, ist aber etwas ausführlich. Pythons defaultdict macht es sauberer:

from collections import defaultdict

phrases = ("apple", "banana", "apple", "cherry", "banana", "banana")

counts = defaultdict(int)

for phrase in phrases:
    counts(phrase) += 1

print(counts)

Ausgabe:

defaultdict(, {'apple': 2, 'banana': 3, 'cherry': 1})

Weil wir es benutzt haben defaultdict(int)Python erstellt automatisch einen Standardwert von 0 immer dann, wenn auf einen fehlenden Schlüssel zugegriffen wird.

# Wörterbücher mit dem zusammenführen | Operator

Im modernen Python ist die sauberste Möglichkeit, Wörterbücher zusammenzuführen, die | Operator.

defaults = {"coloration": "blue", "measurement": "medium"}
overrides = {"measurement": "massive", "weight": "heavy"}

merged = defaults | overrides
print(merged)

Ausgabe:

{'coloration': 'blue', 'measurement': 'massive', 'weight': 'heavy'}

Wenn sich Tasten überlappen, gewinnt das Wörterbuch auf der rechten Seite. Wenn Sie eine direkte Zusammenführung durchführen möchten, können Sie die verwenden |= Operator:

defaults |= overrides
print(defaults)

Ausgabe:

{'coloration': 'blue', 'measurement': 'massive', 'weight': 'heavy'}

# Wörterbücher in Funktionsargumente entpacken

Nehmen wir an, Sie haben eine Funktion und ein Wörterbuch und ihre Felder oder Schlüssel stimmen überein. Anstatt die Schlüssel einzeln weiterzugeben title=knowledge("title"), age=knowledge("age")Sie können alles mit dem übergeben ** Doppel-Sternchen-Operator. Lassen Sie uns eine Benutzerfunktion und einige Dummy-Benutzerdaten erstellen, um sie zu verstehen:

def create_user(title, age, function="viewer"):
    return {"title": title, "age": age, "function": function}

user_data = {
    "title": "David",
    "age": 33
}

# Regular Method
consumer = create_user(
    title=user_data("title"),
    age=user_data("age"),
    function=user_data("function")
)

print(consumer)

Ausgabe:

{'title': 'David', 'age': 33, 'function': 'viewer'}

# Utilizing **
print(create_user(**user_data))

Ausgabe:

{'title': 'David', 'age': 33, 'function': 'viewer'}

Beachten Sie, dass das obige Beispiel „Normaler Weg“ a auslöst >KeyError Weil user_data enthält keine "function" Schlüssel. Der ** Der Entpackansatz greift korrekt auf den Standardwert der Funktion zurück functionDadurch ist es sowohl sauberer als auch robuster.

# Verwendung des Walross-Operators mit Dicts

Python 3.8 führte den Walross-Operator ein (:=), mit dem Sie einen Wert als Teil eines Ausdrucks zuweisen können. Das ist bei Wörterbüchern sehr nützlich.

Nehmen wir an, Sie haben ein Wörterbuch und möchten die Benutzerdaten und deren Namen (falls vorhanden) abrufen. Normalerweise würden Sie es folgendermaßen codieren:

knowledge = {
    "consumer": {
        "title": "Bryan",
        "electronic mail": "bryan@gmail.com"
    }
}

if knowledge.get("consumer") is just not None:
    consumer = knowledge.get("consumer")
    title = consumer.get("title")

    print(title)

Ausgabe:

Das funktioniert, aber es wiederholt die gleiche Wörterbuchsuche mehrmals. Sie können es durch den Walross-Operator ersetzen (:=), das den Wert in einem einzigen Schritt sucht und zuweist:

if (consumer := knowledge.get("consumer")) is just not None:
    title = consumer.get("title")

    print(title)

Ausgabe:

Dies ist besonders hilfreich, wenn Sie mit verschachtelten Wörterbuchstrukturen arbeiten.

# Benutzen TypedDict für strukturierte Daten

Wörterbücher sind flexibel, aber diese Flexibilität kann manchmal zum Downside werden. Zum Beispiel:

def greet(consumer):
    return f"Hey, {consumer('title')}!"

consumer = {
    "title": "Clair",
    "age": "thirty"
}

print(greet(consumer))

Ausgabe:

Dies funktioniert zur Laufzeit, es gibt jedoch ein verstecktes Downside: "age" soll eine Zahl sein, keine Zeichenfolge. Python selbst wird sich nicht beschweren, was später in größeren Projekten zu Fehlern führen kann. TypedDict macht die erwartete Wörterbuchstruktur explizit:

from typing import TypedDict

class UserProfile(TypedDict):
    title: str
    age: int

def greet(consumer: UserProfile) -> str:
    return f"Hey, {consumer('title')}!"

Jetzt mögen Instruments mypy kann Fehler erkennen, bevor der Code ausgeführt wird:

consumer: UserProfile = {
    "title": "Clair",
    "age": "thirty",
}

print(greet(consumer))

Ausgabe:

check.py:15: error: Incompatible sorts (expression has sort "str", TypedDict merchandise "age" has sort "int")  (typeddict-item)
Discovered 1 error in 1 file (checked 1 supply file)

Für eine komplexere Validierung eignen sich Instruments wie dataclasses oder Pydantisch sind oft die bessere Wahl.

# Einfaches Iterieren: .gadgets(), .keys(), .values()

Python-Wörterbücher verfügen über viele integrierte Iterationsmethoden: .gadgets(), .keys()Und .values(). Die meisten Entwickler kennen sie, verwenden sie jedoch nicht so oft, wie sie sollten. Sie könnten ein Wörterbuch wie dieses durchlaufen:

scores = {
    "David": 92,
    "Bryan": 87,
    "Clair": 95
}

for title in scores:
    print(title, scores(title))

Ausgabe:

David 92
Bryan 87
Clair 95

Das funktioniert. Dies ist jedoch nicht der beste Weg – es führt bei jedem Durchlauf der Schleife eine zusätzliche Wörterbuchsuche durch. Pythons .gadgets() Methode ist sauberer:

for title, rating in scores.gadgets():
    print(title, rating)

Ausgabe:

David 92
Bryan 87
Clair 95

Es gibt sowohl den Schlüssel als auch den Wert zusammen zurück, wodurch wiederholte Suchvorgänge vermieden werden und der Code besser lesbar wird. Wenn Sie nur die Schlüssel benötigen, verwenden Sie .keys() stattdessen. Wenn Sie nur die Werte benötigen, verwenden Sie ebenfalls .values().

# Zusammenfassung

Python-Wörterbücher sehen auf den ersten Blick einfach aus, aber das Erlernen einiger Schlüsselmuster kann Ihren Code viel sauberer machen. Sie können dies verwenden Hyperlink um mehr über die mit Python-Wörterbüchern verbundenen Funktionen zu erfahren. Funktionen wie .get(), defaultdictAuspacken und TypedDict Helfen Sie dabei, sich wiederholenden Code zu reduzieren und Ihre Programme zuverlässiger zu machen.

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.

Bild vom Herausgeber

# Einführung

Google NotebookLM hat sich weit über eine einfache Lernhilfe hinaus entwickelt. Durch die Hinzufügung der jüngsten Updates, die erst in diesem Jahr veröffentlicht wurden, hat es sich in eine umfassende Forschungs-, Synthese- und Content material-Produktionsumgebung verwandelt. Für Menschen, die regelmäßig mit komplexen Quellen jonglieren, schließt NotebookLM jetzt die Lücke zwischen Rohinformationen und ausgefeilten Ergebnissen.

Wenn Sie mit NotebookLM nur einfache Zusammenfassungen erstellen, hinterlassen Sie enorm viel Wert auf dem Tisch. Durch die neuesten Updates wurde der Aufwand für die Verfeinerung der Ergebnisse, die Integration in Unternehmensabläufe und die Synthese umfangreicher technischer Materialien erheblich reduziert.

Lassen Sie uns fünf neu eingeführte, wirkungsvolle Funktionen aufschlüsseln und diskutieren, wie fortgeschrittene Praktiker sie in ihre täglichen Arbeitsabläufe integrieren können, um die Produktivität zu maximieren.

# 1. Chirurgische Präzision mit zeitnahen Objektträgerrevisionen

Das Generieren von Präsentationsdecks direkt aus der Forschung conflict schon immer ein überzeugender Anwendungsfall, aber frühere Iterationen von NotebookLM erzwangen einen Alles-oder-Nichts-Ansatz. Wenn eine Folie aus conflict, musste man oft das gesamte Deck regenerieren. Die Einführung von auf Eingabeaufforderungen basierenden Folienrevisionen löst diese „Regenerationssteuer“.

Sie können nun einzelne Folien gezielt mit Eingabeaufforderungen in natürlicher Sprache versehen. Wenn Sie die Ausgabe eines Foliendecks im Studio-Bedienfeld öffnen, wird eine Revisionsoberfläche angezeigt, mit der Sie detaillierte Änderungen vornehmen können – z. B. das Anpassen einer bestimmten Metrik, das Umformatieren einer Liste in eine Vergleichstabelle oder das Hervorheben eines bestimmten Developments –, ohne den Relaxation Ihrer Präsentation zu beeinträchtigen.

// Profi-Tipp für Energy-Person

Behandeln Sie Ihre erste Eingabeaufforderung als grobes Storyboard, um die Struktur festzulegen. Gehen Sie dann mit präzisen Einschränkungen durch das Deck. Weisen Sie NotebookLM bei datenintensiven Decks explizit an, Revisionen mit Ihrem Datensatz zu verknüpfen:

„Aktualisieren Sie die Einnahmen für 2025 so, dass sie mit dem Wert in Tabelle 2 des Quelldokuments übereinstimmen, und geben Sie die Quelle in einer Fußnote an.“

Durch das Stapeln von Faktenkorrekturdurchgängen vor dem kosmetischen Styling ersparen Sie sich viel Hin und Her.

# 2. Überbrückung der Lücke mit PPTX-Export

NotebookLM eignet sich hervorragend als Zeichenfläche für Entwürfe, aber die meisten Unternehmensumgebungen verlassen sich immer noch auf PowerPoint oder Google Slides als das am weitesten verbreitete Endformat. In der Vergangenheit bedeutete dies mühsames Kopieren und Einfügen, um von KI-generierten Erkenntnissen zu endgültigen Ergebnissen zu gelangen.

Die neue PPTX-Exportfunktion schließt diese Lücke nahtlos. Durch den Export Ihrer generierten Foliendecks als PPTX-Dateien behalten Sie das in NotebookLM erstellte visuelle Structure in einem Commonplace-PowerPoint-Container bei. Während es sich bei den Folien in erster Linie um bildbasierte Ebenen handelt, sind sie vollständig präsentationsbereit und können direkt in vorhandene Folienmaster integriert werden.

// Profi-Tipp für Energy-Person

Kodieren Sie den Hausstil Ihres Unternehmens direkt in Ihrer ersten NotebookLM-Eingabeaufforderung:

„Verwenden Sie einen dunklen Hintergrund, Arial-Überschriften und heben Sie wichtige Kennzahlen blau hervor.“

Wenn Sie diese Einschränkungen frühzeitig festlegen, erfordert Ihr exportiertes PPTX nur eine minimale Formatierung. Nutzen Sie NotebookLM als Ihren privaten Zeichenraum und den PPTX-Export als Grenze für produktionsfertiges Materials.

# 3. Excessive-Constancy-Synthese über filmische Videoübersichten

Die Übersetzung komplexer Daten oder technischer Arbeitsabläufe in verständliche Erklärvideos ist historisch gesehen einer der zeitaufwändigsten Aspekte der funktionsübergreifenden Kommunikation. Die neuen Cinematic Video Overviews fassen Drehbuchschreiben, Storyboarding und Movement-Graphics-Produktion in einem einzigen, automatisierten Workflow zusammen.

Mithilfe eines Stapels von Gemini 3-, Nano Banana Professional- und Veo 3-Modellen können Sie vollständig animierte, narrative Movies direkt aus Ihren kuratierten Pocket book-Quellen erstellen. Für die Präsentation von Ergebnissen für nicht-technische Interessengruppen ist diese Funktion von entscheidender Bedeutung.

// Profi-Tipp für Energy-Person

Für den Erfolg bei der Generierung ist ein intestine strukturiertes Notizbuch erforderlich. Füllen Sie das Function mit stark segmentierten Transkripten, sauberen Datenberichten oder vorherigen Folienumrissen aus, um dem Modell dabei zu helfen, einen engen Erzählbogen abzuleiten. Nutzen Sie Steuerungsansagen, um die Zielgruppenebene zu bestimmen, wie zum Beispiel:

„Erstellen Sie eine hochkarätige 5-Minuten-Erklärung für nicht-technische Führungskräfte, die sich ausschließlich auf die Geschäftsauswirkungen und den ROI konzentriert.“

# 4. Reibungslose Artefakterstellung direkt aus dem Chat

Die organischsten Erkenntnisse entstehen oft bei hin- und hergehenden Chat-Erkundungen und nicht bei der formellen Planung. Das Workspace-Replace ermöglicht es Benutzern jetzt, die Erstellung von Artefakten direkt in einem Chat-Thread anzufordern, sodass kein Kontextwechsel in das Studio-Bedienfeld erforderlich ist.

Wenn ein bestimmtes Chat-Gespräch einen überzeugenden Rahmen oder eine überzeugende Erklärung liefert, können Sie einfach Folgendes eingeben:

„Verwandeln Sie dies in ein Foliendeck.“

Das System generiert das Artefakt an Ort und Stelle und behält dabei die genaue Formulierung, das Vokabular und die Nuancen bei, die während der Interaktion entwickelt wurden.

// Profi-Tipp für Energy-Person

Nutzen Sie die Chat-Oberfläche als Ihre primäre Zeichenfläche. Sobald Sie ein komplexes technisches Argument oder eine Dateninterpretation geklärt haben, wandeln Sie diesen Thread sofort in ein Artefakt um, bevor Sie den Kontext verlieren. Halten Sie für wiederkehrende Leistungen eine Bibliothek mit standardisierten Eingabeaufforderungen zur Artefakterstellung bereit, die Sie bereitstellen können, wie zum Beispiel:

„Erstellen Sie basierend auf diesen Erkenntnissen ein zweiseitiges Briefing für das Engineering-Crew.“

# 5. Aufnahmeskala: EPUB- und Langform-Quellenunterstützung

Datenwissenschaft und fortgeschrittene Forschung erfordern oft die Verarbeitung von dichtem, buchlangem Materials – denken Sie an technische Handbücher, wissenschaftliche Texte oder Unternehmens-Playbooks. Durch die Integration der EPUB-Unterstützung können Sie jetzt auch digitale Bücher in voller Länge neben PDFs, CSVs und Code-Repositories einlesen.

NotebookLM kann Querverweise, durch Zitate unterstützte Analysen und eine umfassende Synthese über Hunderte von Textseiten hinweg durchführen, ohne dass eine manuelle Aufteilung oder Formatierungskonvertierung erforderlich ist.

// Profi-Tipp für Energy-Person

Erstellen Sie spezielle „buchzentrierte“ Notizbücher. Laden Sie neben Ihren eigenen Datensätzen und Ihrer internen Dokumentation ein technisches EPUB-Handbuch hoch. Anstatt allgemeine Fragen zu stellen, verwenden Sie gezielte Eingabeaufforderungen, um bestimmte Schnittmengen von Daten abzufragen:

„Vergleichen Sie die in Kapitel 4 des EPUB beschriebenen Information-Governance-Methoden mit unseren internen CSV-Metriken.“

Sie können auch lange Quellen verwenden, um Lernhilfen, Exams oder Audioübersichten zu erstellen und so Ihre eigene Lernkurve zu neuen technischen Themen zu beschleunigen.

# Der Finish-to-Finish-Energy-Workflow

Mit diesen neuen Funktionen wird die ideale NotebookLM-Pipeline bemerkenswert rationalisiert:

1. Im Großen und Ganzen aufnehmen: Kombinieren Sie lange EPUBs mit Rohdaten und Commonplace-PDFs.
2. Dynamisch erkunden: Nutzen Sie den Chat, um Ihre Quellen abzufragen und die Erzählung zu gestalten.
3. Sofort erfassen: Erstellen Sie Berichte oder entwerfen Sie Präsentationen direkt inline aus dem Chat.
4. Chirurgisch verfeinern: Verwenden Sie aufforderungsbasierte Überarbeitungen, um Fakten und Ästhetik in die Präsentationsplattform einzuarbeiten.
5. Universeller Export: Geben Sie das Endprodukt in PPTX aus oder erstellen Sie eine Kinovideoübersicht zur Verteilung an Stakeholder.

Durch die Nutzung dieser erweiterten NotebookLM-Funktionen können Energy-Person die Reibung zwischen der Rohanalyse und der endgültigen Kommunikation minimieren. Mit ein wenig Übung und einem Bewusstsein für die neuen Funktionen können Sie die früher stundenlange Synthesearbeit in einen reibungslosen, skalierbaren Workflow umwandeln.

Matthew Mayo (@mattmayo13) hat einen Grasp-Abschluss in Informatik und ein Diplom in Information Mining. Als geschäftsführender Herausgeber von KDnuggets & Statistikund Mitherausgeber bei Beherrschung des maschinellen LernensZiel von Matthew ist es, komplexe datenwissenschaftliche Konzepte zugänglich zu machen. Zu seinen beruflichen Interessen zählen die Verarbeitung natürlicher Sprache, Sprachmodelle, Algorithmen für maschinelles Lernen und die Erforschung neuer KI. Sein Antrieb ist die Demokratisierung des Wissens in der Information-Science-Group. Matthew programmiert seit seinem sechsten Lebensjahr.

5 Tipps und Tips zur Agentencodierung
Bild vom Herausgeber

Einführung

Die Agentencodierung fühlt sich nur dann „clever“ an, wenn sie korrekte Unterschiede liefert, Checks besteht und eine Papierspur hinterlässt, der Sie vertrauen können. Der schnellste Weg dorthin besteht darin, einen Agenten nicht mehr zu bitten, „eine Funktion zu erstellen“, sondern ihm einen Workflow zu geben, dem er nicht entkommen kann.

Dieser Arbeitsablauf sollte Klarheit (was sich ändert), Beweise (was passiert ist) und Eindämmung (was berührt werden kann) erzwingen. Die folgenden Tipps sind konkrete Muster, die Sie in die tägliche Arbeit mit Code-Agenten integrieren können, unabhängig davon, ob Sie einen CLI-Agenten, einen IDE-Assistenten oder ein benutzerdefiniertes Software-Verwendungsmodell verwenden.

1. Verwenden Sie eine Repo-Map, um blinde Refaktoren zu verhindern

Agenten Werden Sie generisch, wenn sie die Topologie Ihrer Codebasis nicht verstehen. Sie verwenden standardmäßig umfassende Refaktoren, da sie die richtigen Nähte nicht zuverlässig lokalisieren können. Geben Sie dem Agenten eine Repo-Map, die kurz, eigensinnig und in den wichtigen Teilen verankert ist.

Erstellen Sie eine maschinenlesbare Momentaufnahme Ihrer Projektstruktur und der wichtigsten Einstiegspunkte. Halten Sie es unter ein paar hundert Zeilen. Aktualisieren Sie es, wenn sich wichtige Ordner ändern. Geben Sie die Karte dann vor der Codierung in den Agenten ein.

Hier ist ein einfacher Generator, den Sie behalten können instruments/repo_map.py:

Fügen Sie einen zweiten Abschnitt hinzu, der die wirklich „heißen“ Dateien benennt, nicht alle. Beispiel:

Einstiegspunkte:

• api/server.ts (HTTP-Routing)
• core/agent.ts (Planung + Werkzeugabrufe)
• core/executor.ts (Befehlsläufer)
• packages/ui/App.tsx (Frontend-Shell)

Wichtige Konventionen:

• Bearbeiten Sie niemals generierte Dateien in dist/
• Alle DB-Schreibvorgänge werden durchlaufen db/index.ts
• Characteristic-Flags leben in config/flags.ts

Dies reduziert den Suchraum des Agenten und verhindert, dass er die Hälfte des Repositorys „hilfreich“ neu schreibt, weil es verloren gegangen ist.

2. Erzwingen Sie Patch-First-Änderungen mit einem Diff-Funds

Agenten entgleisen wenn sie wie ein Mensch mit unbegrenzter Zeit bearbeiten. Zwingen Sie sie, sich wie ein disziplinierter Mitwirkender zu verhalten: Schlagen Sie einen Patch vor, halten Sie ihn klein und erklären Sie die Absicht. Ein praktischer Trick ist ein Diff-Funds, eine explizite Begrenzung der professional Iteration geänderten Zeilen.

Verwenden Sie einen Workflow wie diesen:

1. Der Agent erstellt einen Plan und eine Dateiliste
2. Der Agent erzeugt nur ein einheitliches Diff
3. Sie wenden den Patch an
4. Checks laufen
5. Nächster Patch nur bei Bedarf

Wenn Sie Ihre eigene Agentenschleife erstellen, Stellen Sie sicher, dass dies mechanisch durchgesetzt wird. Beispiel einer Pseudologik:

Für manuelle Arbeitsabläufe integrieren Sie die Einschränkung in Ihre Eingabeaufforderung:

• Geben Sie nur ein einheitliches Diff aus
• Hartes Restrict: insgesamt 120 geänderte Zeilen
• Keine unabhängigen Formatierungen oder Umgestaltungen
• Wenn Sie mehr benötigen, halten Sie an und fordern Sie ein zweites Pflaster an

Agenten reagieren intestine auf messbare Einschränkungen. „Halten Sie es minimal“ ist vage. „120 geänderte Zeilen“ sind durchsetzbar.

3. Wandeln Sie Anforderungen in ausführbare Abnahmetests um

Vage Anfragen können einen Agenten daran hindern, Ihre Tabelle ordnungsgemäß zu bearbeiten, geschweige denn, den richtigen Code zu erstellen. Der schnellste Weg, einen Agenten konkret zu machen, unabhängig von seinem Designmusterbesteht darin, Anforderungen vor der Implementierung in Checks zu übersetzen. Behandeln Sie Checks als einen Vertrag, den der Agent erfüllen muss, und nicht als einen Greatest-Effort-Zusatz.

Ein leichtes Muster:

• Schreiben Sie einen fehlgeschlagenen Check, der das Funktionsverhalten erfasst
• Führen Sie den Check aus, um zu bestätigen, dass er aus dem richtigen Grund fehlschlägt
• Lassen Sie den Agenten implementieren, bis der Check bestanden ist

Beispiel in Python (pytest) für einen Ratenbegrenzer:

Jetzt hat der Agent ein objektives Ziel. Wenn es „denkt“, dass es erledigt ist, entscheidet der Check.

Kombinieren Sie dies mit dem Software-Suggestions: Der Agent muss die Testsuite ausführen und die Befehlsausgabe einfügen. Diese eine Anforderung tötet eine ganze Klasse sicherer, aber falscher Abschlüsse.

Immediate-Snippet, das intestine funktioniert:

• Schritt 1: Checks schreiben oder verfeinern
• Schritt 2: Checks durchführen
• Schritt 3: Implementieren, bis die Checks bestanden sind

Geben Sie immer die genauen Befehle an, die Sie ausgeführt haben, und die abschließende Testzusammenfassung.

Wenn Checks fehlschlagen, erklären Sie den Fehler in einem Absatz und führen Sie dann den Patch durch.

4. Fügen Sie einen „Rubber Duck“-Schritt hinzu, um versteckte Annahmen zu erkennen

Agenten treffen stillschweigende Annahmen über Datenformen, Zeitzonen, Fehlerbehandlung und Parallelität. Sie können diese Annahmen aufdecken mit einem erzwungenen „Rubber Duck“-Second direkt vor dem Codieren.

Bitten Sie um drei Dinge in der Reihenfolge:

• Annahmen, die der Agent trifft
• Was könnte diese Annahmen zerstören?
• Wie werden wir sie validieren?

Halten Sie es kurz und verbindlich. Beispiel:

• Vor dem Codieren: Hear Sie 5 Annahmen auf
• Für jeden: ein Validierungsschritt unter Verwendung von vorhandenem Code oder Protokollen
• Wenn eine Annahme nicht bestätigt werden kann, stellen Sie eine klärende Frage und hören Sie auf

Dadurch entsteht eine Pause, die häufig schlechte Architektur-Commits verhindert. Es bietet Ihnen auch einen einfachen Überprüfungskontrollpunkt. Wenn Sie mit einer Annahme nicht einverstanden sind, können Sie sie korrigieren, bevor der Agent Code schreibt, der sie einbettet.

Ein häufiger Erfolg besteht darin, Unstimmigkeiten bei Datenverträgen frühzeitig zu erkennen. Beispiel: Der Agent geht von einem Zeitstempel aus ISO-8601aber die API gibt Epochen-Millisekunden zurück. Das Eine Nichtübereinstimmung kann zu einer „Bugfix“-Abwanderung führen. Die Trittstufe der Quietscheente spült es heraus.

5. Machen Sie die Ausgabe des Agenten mit Laufrezepten reproduzierbar

Agentencodierung schlägt in Groups fehl wenn niemand reproduzieren kann, was der Agent getan hat. Beheben Sie das, indem Sie ein Laufrezept verlangen: die genauen Befehle und Umgebungshinweise, die zum Wiederholen des Ergebnisses erforderlich sind.

Nehmen Sie eine einfache Konvention an: Jeder Agentenlauf endet mit einem RUN.md Snippet, das Sie in eine PR-Beschreibung einfügen können. Es sollte Setup, Befehle und erwartete Ausgaben enthalten.

Vorlage:

Dies macht die Arbeit des Agenten portabel. Es sorgt auch dafür, dass die Autonomie ehrlich bleibt. Wenn der Agent kein sauberes Laufrezept erstellen kann, hat er die Änderung wahrscheinlich nicht validiert.

Zusammenfassung

Die Agentencodierung verbessert sich schnell, wenn Sie sie wie Technik und nicht wie Vibe behandeln. Repo-Karten stoppen blindes Wandern. Durch Patch-First-Unterschiede bleiben Änderungen überprüfbar. Ausführbare Checks verwandeln handgeschwungene Anforderungen in objektive Ziele. Ein Gummienten-Kontrollpunkt deckt verborgene Annahmen auf, bevor sie sich zu Fehlern verfestigen. Laufrezepte machen den gesamten Prozess für Teamkollegen reproduzierbar.

Diese Tips verringern nicht die Leistungsfähigkeit des Agenten. Sie schärfen es. Autonomie wird nützlich, sobald sie begrenzt, messbar und an echtes Werkzeug-Suggestions gebunden ist. Dann hört ein Agent auf, beeindruckend zu klingen, und beginnt mit der Lieferung von Arbeiten, die Sie zusammenführen können.

Bild des Autors

LinkedIn ist oft der erste Ort, an dem Sie nach Beschäftigungsmöglichkeiten suchen. Gleiches gilt für Personalvermittler bei der Suche nach geeigneten Kandidaten. Durch die Optimierung Ihres LinkedIn -Profils erhöhen Sie Ihre Chancen, von Personalvermittlern aufmerksam zu werden und letztendlich eingestellt zu werden.

Hier sind sieben Tips, mit denen Sie das Radar der Personalvermittler eingehen können.

Bild von Autor | Napkin Ai

Trick Nr. 1: Optimieren Sie Ihre Überschrift

Bild von Autor | Chatgpt

Hear Sie nicht nur Ihre Rolle auf, z. B. „Datenwissenschaftler“. Das ist zu vage. Gehen Sie darüber hinaus, indem Sie nach Key phrases -Personalvermittlern suchen, aber es präzise halten. Folgen Sie dieser Struktur: Berufsbezeichnung -> Spezialisierungen -> Branchenfokus.

Zum Beispiel könnte Ihre Überschrift sein: Datenwissenschaftler | Python, SQL, TensorFlow | Maschinelles Lernen und Vorhersageanalytik

Trick Nr. 2: Verwenden Sie ein sauberes Foto und ein technisches Titelbild

Bild von Autor | Chatgpt

Verwenden Sie einen sauberen Kopfschuss; Stellen Sie im Idealfall einen professionellen Fotografen ein. Sie werden weit mehr Ansichten bekommen, auch wenn Ihr Selfie nicht so schlecht aussieht.

Erstellen Sie für Ihr Titelbild ein datenbezogenes Visible, das für Ihre Branche related ist: ein Diagramm, einen Code-Snippet oder einen prägnanten Slogan wie „Erstellen von Modellen, die tatsächlich versendet“.

Trick Nr. 3: Polieren Sie den Abschnitt „About“

Betrachten Sie den Abschnitt „About“ in Ihrem Aufzugsstand: Sie müssen sich in mehreren Sätzen verkaufen.

Bitte schreiben Sie keine generische Zusammenfassung wie:
„Ich bin ein hochmotivierter und ergebnisorientierter Datenwissenschaftler mit starken analytischen Fähigkeiten. Ich habe Erfahrung in Python, R, SQL und maschinellem Lernen. Ich bin leidenschaftlich, Daten zu verwenden, um Einblicke zu erzielen und für Organisationen einen Mehrwert zu bieten. Ich arbeite sowohl unabhängig und in einer Teamumgebung und ich bin immer bestrebt, neue Technologien zu lernen.“

Es ist voller Klischees, es ist vage und enthält keine Beispiele für Projekte, Ergebnisse oder Branchen. Wie werden Sie Ihrer Meinung nach Sie finden, wenn Ihre Zusammenfassung die Schlüsselwörter fehlt, nach denen sie suchen?

Konzentrieren Sie sich statt eines generischen Absatzes darauf.

Bild von Autor | Napkin Ai

• Instruments, mit denen Sie arbeiten -> PythonAnwesend PandasAnwesend PolareAnwesend PYSPARKAnwesend MlflowCloud -Plattformen, Straffung
• Größte Siege -> Verbesserte Modellgenauigkeit, erhöhte Umsatz um x%
• Worauf Sie sich spezialisiert haben -> Empfehlungssysteme, NLP, kausale Inferenz

Auch hier liegt der Fokus auf Schlüsselwörtern und auf der Aufrechterhaltung einer Perspektive der ersten Individual.

Trick #4: Present, sag es nicht nur

Sagen Sie nicht nur, dass Sie Modelle erstellen – beweisen Sie es.

Bild von Autor | Chatgpt

Personalvermittler lieben den Beweis und werden in dem Abschnitt „Featured“ Ihres LinkedIn -Profils danach suchen. Verwenden Sie es, um Projekte, Portfolios, Medienauftritte und vorgestellte Artikel zu präsentieren. Fügen Sie Hyperlinks zu GitHub hinzu und teilen Sie Weblog -Beiträge zu Ihren Projekten.

Dies verwandelt Ihr Profil in ein Mini-Portfolio. Wenn man den Arbeitscode sieht, wird oft die Aufmerksamkeit eines Personalvermittlers erregt und die Notwendigkeit verringert, in Ihr volles Portfolio zu graben.

Trick #5: strategisch einbeziehen

Ab und wieder posten und kommentieren ist nicht genug. Überall zu sein ist auch nicht intestine. Sie müssen sich strategisch mit der Datengemeinschaft beschäftigen und ein Gleichgewicht zwischen sichtbar und nicht übereifrig machen.

Befolgen Sie diese Wege, um eine erhöhte Sichtbarkeit zu erhalten.

Bild von Autor | Napkin Ai

Trick Nr. 6: Verwenden Sie die Einstellung „Open to Work“ (die intelligente Artwork und Weise)

Bild von Autor | Chatgpt

Sie kennen wahrscheinlich die Possibility, die das grüne „#Opentowork“ -Banner auf Ihr Foto schlägt. Subtiler sein. Verwenden Sie diese Possibility, aktualisieren Sie jedoch Ihre Einstellungen, damit nur Personalvermittler nach Arbeit suchen. Auf diese Weise erregen Sie Aufmerksamkeit, ohne Ihre Suche öffentlich zu senken.

Trick Nr. 7: Füllen Sie die „Fähigkeiten“ und „Erfahrung“ mit Schlüsselwörtern aus

Ja, Key phrases wieder. Wenn sie nicht in Ihrem Profil sind, werden Sie in den Suchergebnissen der Personalvermittler nicht angezeigt. Personalvermittler suchen nach Instruments und Techniken. Fügen Sie sie additionally hinzu.

Bild von Autor | Chatgpt

• Kernsprachen -> Python, R, SQL
• Bibliotheken -> Scikit-StudyAnwesend PytorchAnwesend TensorflowPandas, Funke
• Domänen -> A/B -CheckPrognose, Laptop Imaginative and prescient, NLP
• Mushy Expertise -> zwischenmenschliche Kommunikation, funktionsübergreifende Koordination, Mentoring, kollaborative Problemlösung
• Branchenbegriffe -> Characteristic Engineering, Zeitreihenprognose, Gewinnoptimierung, Marketinganalyse

Spiegeln Sie Ihre tatsächliche Erfahrung (nicht lügen!) Und die Sprache von Job -Anzeigen wider, auf die Sie abzielen.

Abschluss

Füllen Sie Ihr Profil mit Key phrases, die Ihre Erfahrungen und Fähigkeiten widerspiegeln – und die Personalvermittler werden suchen.

Sobald die Personalvermittler Sie gefunden haben, besteht der nächste Schritt darin, sich mit Ihnen in Verbindung zu setzen. Sie werden dies nur tun, wenn sie den Nachweis dafür sehen, wie Sie Probleme lösen und Ergebnisse liefern, die sie normalerweise durch Überprüfung Ihres Portfolios bewerten.

Sobald Sie Ihr Profil als Search engine optimization-optimiertes Portfolio gesehen haben, werden die Personalvermittler Sie auch sehen. Erleichtern ihre Arbeit. Machen Sie Ihre Arbeit erfolgreicher.

Nate Rosidi ist Datenwissenschaftler und in Produktstrategie. Er ist außerdem eine zusätzliche Professorin für Lehranalysen und Gründer von Stratascratch, einer Plattform, die Datenwissenschaftlern hilft, sich auf ihre Interviews mit echten Interviewfragen von High -Unternehmen vorzubereiten. Nate schreibt über die neuesten Tendencies auf dem Karrieremarkt, gibt Interviewberatung, teilt Datenwissenschaftsprojekte und deckt alles SQL ab.

Aber Gute Aufforderung das liefert effiziente und zuverlässige Ausgänge ist nicht. Wenn Sprachmodelle in Bezug auf Fähigkeiten und Vielseitigkeit wachsen, hängt von hoher Qualitätsergebnisse mehr ab wie du fragst das Modell als das Modell selbst. Hier kommt immediate Tag für Tag praktische integrierte Erfahrung in Produktionsumgebungen, mit täglich Tausenden von Anrufen.

In diesem Artikel teile ich Fünf praktische schnelle technische Techniken Ich benutze quick jeden Tag, um stabile und zuverlässige, leistungsstarke KI-Workflows zu bauen. Es sind nicht nur Tipps, über die ich gelesen habe, sondern auch Methoden, die ich getestet, verfeinert und auf reale Anwendungsfälle in meiner Arbeit angewiesen habe.

Einige mögen kontraintuitiv erscheinen, andere überraschend einfach, aber alle haben einen wirklichen Unterschied in meiner Fähigkeit, die Ergebnisse, die ich von LLMs erwarte, zu erzielen. Lassen Sie uns eintauchen.

Tipp 1 – Bitten Sie die LLM, eine eigene Eingabeaufforderung zu schreiben

Diese erste Technik könnte sich anfühlen kontraintuitivaber es ist eine, die ich die ganze Zeit benutze. Anstatt zu versuchen, die perfekte Eingabeaufforderung von Anfang an zu erstellen, beginne ich normalerweise mit einer groben Übersicht dessen, was ich will, und dann bitte ich das LLM zu Verfeinern Sie die ideale Aufforderung für selbstbasierend auf zusätzlichem Kontext, den ich anbietet. Das Co-Development-Strategie ermöglicht die schnelle Produktion von sehr präzise und effektive Aufforderungen.

Der Gesamtprozess besteht häufig aus drei Schritten:

• Beginnen Sie mit der allgemeinen Struktur, in der Aufgaben und Regeln befolgt werden sollen
• Iterative Bewertung/Verfeinerung der Aufforderung, dem gewünschten Ergebnis übereinzustimmen
• Iterative Integration von Kantenfällen oder spezifischen Anforderungen

Sobald die LLM eine Eingabeaufforderung vorschlägt, führe ich sie ein paar aus Typische Beispiele. Wenn die Ergebnisse ausgeschaltet sind, optimiere ich die Eingabeaufforderung nicht nur manuell. Stattdessen bitte ich die LLM darum und frage speziell nach eine generische Korrekturwie LLMs dazu neigt, Dinge auf zu spezifische Weise zu patchen. Sobald ich die gewünschte Antwort für die 90 -Prozent -Fälle erhalten habe, leite ich sie im Allgemeinen auf a Stapel der Eingabedaten Analyse der Kantenfälle, die angegangen werden müssen. Anschließend übermittele ich das Drawback an das LLM, in dem das Drawback erläutert wird, während ich die Eingabe und den Ousput einreiche, um die Eingabeaufforderungen iterativ zu optimieren und das gewünschte Ergebnis zu erzielen.

Ein guter Tipp, der im Allgemeinen viel hilft, ist Um die LLM zu verlangen, dass sie Fragen stellen, Bevor Sie schnelle Änderungen vorschlagen, um sicherzustellen, dass sie die Notwendigkeit vollständig versteht.

Warum funktioniert das so intestine?

A. Es ist sofort besser strukturiert.
Insbesondere bei komplexen Aufgaben hilft das LLM dabei, den Problemraum auf eine Weise zu strukturieren, die beides ist logisch Und operativ. Es hilft mir auch klären Sie mein eigenes Denken. Ich vermeide es, in Syntax festgefahren zu werden und mich darauf zu konzentrieren, das Drawback selbst zu lösen.

B. Es reduziert Widersprüche.
Da die LLM die Aufgabe in ihre «eigenen Wörter» übersetzt, ist es weitaus wahrscheinlicher, dass Sie Mehrdeutigkeit oder Widersprüche erkennen. Und wenn dies der Fall ist, bittet es häufig zur Klärung, bevor es eine sauberere, konfliktfreie Formulierung vorschlägt. Immerhin, wer ist es besser, eine Nachricht zu formulieren als Derjenige, der es interpretieren soll?

Stellen Sie sich das vor, als würde man mit einem Menschen kommunizieren: Ein erheblicher Teil der Missverständnisse ergibt sich aus unterschiedlichen Interpretationen. Das LLM findet manchmal etwas Unklares oder Widersprüchliches, das ich für völlig offensichtlich hielt … und am Ende ist es derjenige, der den Job macht, additionally ist es es ist Interpretation, die zählt, nicht meine.

C. Es verallgemeinert besser.
Manchmal kämpfe ich darum, eine klare, abstrakte Formulierung für eine Aufgabe zu finden. Das LLM ist überraschend intestine darin. Es entdeckt das Muster und erzeugt eine verallgemeinerte Eingabeaufforderung, die skalierbarer und robuster für das ist, was ich selbst produzieren könnte.

Tipp 2-Selbstbewertung verwenden

Die Idee ist einfach, aber wieder einmal sehr mächtig. Das Ziel ist zu Zwingen Sie die LLM, die Qualität seiner Antwort selbst zu bewerten bevor Sie es ausgeben. Insbesondere frage ich es seine eigene Antwort bewerten Auf einer vordefinierten Skala beispielsweise von 1 bis 10. Wenn die Punktzahl unter einem bestimmten Schwellenwert liegt wiederholen oder verbessern Die Antwort, abhängig von der Aufgabe. Ich füge manchmal das Konzept hinzu, dass „wenn Sie es besser machen können“, um eine endlose Schleife zu vermeiden.

In der Praxis finde ich es faszinierend, dass ein LLM dazu neigt, sich ähnlich wie Menschen zu verhalten: Es geht oft für die einfachste Antwort und nicht die beste eins. Schließlich werden LLMs auf menschliche erzeugte Daten trainiert und sollen daher die Antwortmuster replizieren. Deshalb geben Sie ihm eine Explizite Qualitätsstandard hilft, das endgültige Ausgangsergebnis erheblich zu verbessern.

Ein ähnlicher Ansatz kann für a verwendet werden Letzte Qualitätskontrolle konzentrieren sich auf die Einhaltung der Regel. Die Idee ist, die LLM zu bitten, seine Antwort zu überprüfen und zu bestätigen, ob eine bestimmte Regel oder alle Regeln vor dem Senden der Antwort befolgt werden. Dies kann dazu beitragen, die Antwortqualität zu verbessern, insbesondere wenn manchmal eine Regel übersprungen wird. Nach meiner Erfahrung ist diese Methode jedoch etwas weniger effektiv als eine selbst zugewiesene Qualitätsbewertung. Wenn dies erforderlich ist, bedeutet dies wahrscheinlich, dass Ihre Eingabeaufforderung oder Ihr KI -Workflow verbessert werden muss.

Tipp 3 – Verwenden Sie eine Antwortstruktur sowie ein gezielter Beispiel, das Format und Inhalt kombiniert

Beispiele zu verwenden ist eine bekannte und leistungsstarke Artwork, um die Ergebnisse zu verbessern… Solange du es nicht übertreibt. Ein intestine ausgewähltes Beispiel ist in der Tat oft hilfreicher als viele Unterrichtszeilen.

Die Antwortstruktur hingegen hilft dabei, genau zu definieren, wie die Ausgabe aussehen sollte, insbesondere für technische oder sich wiederholende Aufgaben. Es vermeidet Überraschungen und hält die Ergebnisse konsistent.

Das Beispiel ergänzt diese Struktur, indem angezeigt wird, wie sie mit verarbeiteten Inhalten gefüllt werden. Diese «Struktur + Beispiel» Die Kombination arbeitet in der Regel intestine.

Beispiele sind jedoch oft texthaarigeund zu vielen von ihnen können es können die wichtigsten Regeln verdünnen oder dazu führen, dass sie weniger konsequent verfolgt werden. Sie erhöhen auch die Anzahl der Token, die Nebenwirkungen verursachen können.

Verwenden Sie additionally Beispiele mit Bedacht: Ein oder zwei intestine ausgewählte Beispiele, die die meisten Ihrer wesentlichen oder Kantenregeln abdecken, reichen normalerweise aus. Das Hinzufügen von mehr lohnt sich möglicherweise nicht. Es kann auch helfen, a hinzuzufügen kurze Erklärung Nach dem Beispiel, warum es der Anfrage entspricht, insbesondere wenn dies nicht wirklich offensichtlich ist. Ich persönlich verwende selten unfavorable Beispiele.

Normalerweise gebe ich ein oder zwei optimistic Beispiele zusammen mit einer allgemeinen Struktur der erwarteten Ausgabe. Meistens wähle ich XML -Tags aus wie <open_tag></close_tag>. Warum? Weil es ist leicht zu analysieren und kann direkt in Informationssystemen zur Nachbearbeitung verwendet werden.

Ein Beispiel zu geben ist besonders nützlich, wenn die Struktur verschachtelt ist. Es macht die Dinge viel klarer.

## Right here is an instance

Anticipated Output :

<objects>
    <merchandise>
        <sub_item>
            <sub_sub_item>
                My sub sub merchandise 1 textual content
            </sub_sub_item>
            <sub_sub_item>
                My sub sub merchandise 2 textual content
            </sub_sub_item>
        </sub_item>
        <sub_item>
            My sub merchandise 2 textual content
        </sub_item>
        <sub_item>
            My sub merchandise 3 textual content
        </sub_item>
    </merchandise>
    <merchandise>
        <sub_item>
            My sub merchandise 1 textual content
        </sub_item>
        <sub_item>
            <sub_sub_item>
                My sub sub merchandise 1 textual content
            </sub_sub_item>
        </sub_item>
    </merchandise>
</objects>

Clarification :

Textual content of the reason

Tipp 4 – Komplexe Aufgaben in einfache Schritte zerlegen

Dieser magazine offensichtlich erscheinen, aber es ist wichtig, um die Antwortqualität im Umgang mit komplexen Aufgaben hoch zu halten. Die Idee ist Eine große Aufgabe in mehrere kleinere, intestine definierte Schritte aufzuteilen.

Genau wie das menschliche Gehirn kämpft, wenn es Multitasking hat, liefern LLMs dazu, Antworten von geringerer Qualität zu erzielen, wenn die Aufgabe zu weit gefasst ist oder zu viele verschiedene Ziele gleichzeitig mit sich bringt. Wenn ich Sie beispielsweise auffordere, 125 + 47, dann 256 – 24 und schließlich 78 + 25, eine nacheinander, sollte dies (hoffentlich :)) in Ordnung sein. Aber wenn ich Sie auf bitte, mir die drei Antworten auf einen Blick zu geben, wird die Aufgabe komplexer. Ich denke gerne, dass sich LLMs genauso verhalten.

Anstatt ein Modell zu bitten, alles auf einmal zu tun, als würde man einen Artikel übersetzen, es übersetzen und es in HTML formatieren, ziehe ich es vor, den Prozess in zwei oder drei einfachere Schritte zu unterteilen, die jeweils von einer separaten Eingabeaufforderung behandelt werden.

Der Hauptabnutzung dieser Methode besteht darin, dass sie Ihrem Code eine gewisse Komplexität verleiht, insbesondere wenn Informationen von einem Schritt zum nächsten übergeben werden. Aber moderne Frameworks mögen Langchainwas ich persönlich liebe und benutze, wenn ich mich mit dieser Scenario befassen muss, und diese Artwork von sequentiellem Aufgabenmanagement sehr einfach zu implementieren.

Tipp 5 – Fragen Sie die LLM um Erklärung

Manchmal ist es schwer zu verstehen Warum Die LLM gab eine unerwartete Antwort. Sie könnten anfangen, Vermutungen zu machen, aber der einfachste und zuverlässigste Ansatz könnte einfach einfach Bitten Sie das Modell, seine Argumentation zu erklären.

Einige mögen sagen, dass die Vorhersage von LLM nicht erlaubt, dass LLM ihre Gründe tatsächlich erklärt, weil es einfach tut nicht Grund, aber meine Erfahrung zeigt das:

1- Meistens wird es effektiv umleiten eine logische Erklärung das hat seine Reaktion hervorgebracht

2- Durch diese Erläuterung werden die sofortige Änderung vorgenommen, korrigiert im Allgemeinen die falsche Beantwortung von LLM.

Natürlich ist dies kein Beweis dafür, dass die LLM tatsächlich argumentiert, und Es ist nicht meine Aufgabe, dies zu beweisenAber ich kann sagen, dass diese Lösung für die sofortige Optimierung sehr intestine in Pratice funktioniert.

Diese Technik ist besonders hilfreich bei der Entwicklung, Vorproduktion oder sogar in den ersten Wochen nach dem Dwell. In vielen Fällen ist es schwierig, alle möglichen Randfälle in einem Prozess zu antizipieren, der auf einem oder mehreren LLM -Anrufen beruht. Zu verstehen können Warum Das Modell, das eine bestimmte Antwort erzeugt hat, hilft Ihnen dabei, die genaueste Behebung zu entwerfen, die das Drawback löst, ohne an anderer Stelle unerwünschte Nebenwirkungen zu verursachen.

Abschluss

Die Arbeit mit LLMs ist ein bisschen wie mit einem genialen Praktikant, wahnsinnig schnell und fähig, aber oft unordentlich und in alle Richtungen, wenn Sie nicht klar sagen, was Sie erwarten. Das Beste aus einem Praktikum herauszuholen, sind klare Anweisungen und ein wenig Managementerfahrung erforderlich. Das gleiche gilt für LLMs, für die Intelligente Aufforderung und Erfahrung machen den Unterschied.

Die fünf Techniken, die ich oben geteilt habe Praktische Methoden Ich benutze täglich, um zu gehen über generische Ergebnisse hinaus mit Normal -Aufforderungstechnik erhalten und die qualitativ hochwertigen, die ich benötige. Sie helfen mir durchweg, die korrekten Ausgänge in großartige zu verwandeln. Egal, ob es sich um Aufforderungen an das Modell handelt, Aufgaben in überschaubare Teile einteilen oder einfach die LLM fragen Warum Eine Antwort ist was es ist, Diese Strategien sind zu wesentlichen Werkzeugen in meiner täglichen Arbeit geworden, um die besten KI -Workflows zu erstellen, die ich kann.

Bei schnellem Engineering geht es nicht nur darum, klare und intestine organisierte Anweisungen zu schreiben. Es geht um Verständnis Wie Das Modell interpretiert sie und entsprechen Ihren Ansatz entsprechend. Die schnelle Ingenieurwesen sind in einer Artwork Kunst, eine Artwork von Nuance, Finesse und persönlichem Stil, in dem keine zwei schnellen Designer die gleichen Zeilen schreiben, was zu unterschiedlichen Ergebnissen in Bezug auf Stress und Schwächen führt. Immerhin bleibt eine Sache mit LLMs wahr: Je besser Sie mit ihnen sprechen, desto besser arbeiten sie für Sie.

Dbeaver ist die mächtigste Open-Supply-SQL-IDE, aber es gibt mehrere Funktionen, von denen die Leute nichts wissen. In diesem Beitrag werde ich Ihnen mehrere Funktionen teilen, um Ihren Workflow ohne Flusen zu beschleunigen.

Ich habe diese gelern Dbeaver. In einem zukünftigen Beitrag werde ich den Workflow zwischen DBeaver vergleichen und Ihre SQL -Entwicklungsumgebung auf VSCODE (oder Cursor) aufbauen. Wenn Sie daran interessiert sind, folgen Sie unbedingt meinen Veröffentlichungen!

Heute liegt der Fokus jedoch darauf, die coolen Merkmale von DBeaver zu lernen. Fangen wir an.

Die Befehlspalette

Dies ist eines der mächtigsten und doch versteckten Merkmale in DBeaver. Vielleicht übersehen die Leute es, weil es nicht als „Befehlspalette“ bezeichnet wird. Sie können es mit öffnen CMD + 3 (MAC) oder Strg + 3 (Home windows).

Von hier aus können Sie im Grunde auf jede Aktion in der IDE zugreifen. Ich benutze es meistens für:

• Wechsel zwischen Sql Skripte.
• Navigieren zu bestimmten Einstellungen.
• Zugriff auf Aktionen wie Exportieren von Ergebnissen, Aktualisieren von Schema, Öffnen von Vorlagen, Datei umbenennen usw.

(Offiziell wird dieses Function in DBeaver als „Handlungen finden“ bezeichnet.)

Benutzerdefinierte SQL -Formatiererin

Wussten Sie, dass Sie in dBeaver problemlos ein anderes Formatierer einrichten können? Ich persönlich bin kein Fan der Standardformatierung, und da ich hauptsächlich PostgreSQL verwende, bevorzuge ich PG_FORMATATER.

Lassen Sie mich Ihnen zeigen, wie es funktioniert, um PG_Formatter einzurichten, aber denken Sie daran, dass der Prozess für jeden SQL -Formatierer ähnlich ist, den Sie über das Terminal aufrufen können.

# Set up PG Formatter
brew set up pgformatter

# Discover the place this system is situated.
# In my case: decide/homebrew/bin/pg_format
which pg_format

Als nächstes gehen Sie zu Präferenzen → Editoren → SQL -Editor → Formatierung wählen Sie ein „externes Formatierer“, und fügen Sie dann den Pfad in Ihr gewünschtes Formatierer ein.

Oder Sie können einfach die Befehlspalette öffnen und nach „Formatierung“ suchen.

Spalten auf Choose erweitern

Oft müssen Sie möglicherweise die meisten Spalten aus einer Tabelle aus auswählen, ohne nur wenige. DBEAVER erleichtert dies, indem Sie Ihre Auswahl * in explizite Spaltennamen erweitern.

Sie können dies mit dem tun Strg + Raum Hotkey, sowohl auf Mac als auch unter Home windows. Dies funktioniert möglicherweise nicht, wenn Sie es an eine andere Systemverknüpfung gebunden haben. In diesem Fall können Sie in der Befehlspalette nach „Inhaltsassistenten“ suchen.

Suchen Sie schnell Spaltenstatistiken

DBEAVER verfügt über eine Reihe von Funktionen, um Ihre Analyse zu beschleunigen. Einer von ihnen, den ich häufig verwende, ist die „Berechnung“, die sich rechts von Ihren Abfrageergebnissen befindet. Sie können schnell die Informationen zu Spalten in Ihren Abfrageergebnissen erhalten.

Hier ist, was Sie damit machen können:

• Ermitteln Sie die Menge an eindeutigen und nicht-null-Werten kategorieller Spalten.
• Holen Sie sich Min, Max, Mittelwert, Median usw. von numerischen Säulen.

Sehr praktisch, um Ihren Datensatz schnell zu verstehen!

Advert-hoc-Gruppen

In ähnlicher Weise können Sie mit der Registerkarte „Gruppierungen“ schnell Gruppen-by-Abfragen erstellen, ohne SQL manuell zu schreiben.

Was Sie damit machen können:

• Zählen Sie schnell das Ereignis von Werten.
• Fügen Sie mehrere Aggregationen hinzu.

Obwohl dieser für einfache Aggregationen ziemlich schön ist, finde ich es ein bisschen überwältigend, da es keine Möglichkeit gibt, einzigartige Werte zu zählen, wie ich es im GIF oben tue, ohne die metrische Funktion manuell schreiben zu müssen.

SQL -Vorlagen

SQL -Vorlagen sind äußerst mächtig, obwohl ich zu gebe, dass ich sie nicht so oft benutze, wie ich sollte. Vorlagen speichern Sie vor wiederholten Schreiben gemeinsamer Ausdrücke.

Sie können die eingebauten Vorlagen sehen, indem Sie die Befehlspalette öffnen und nach „Vorlagen“ suchen. Sie werden Abkürzungen sehen für:

• SELECT * FROM {desk}
• SELECT * FROM {desk} WHERE {col} = {worth}
• Und andere, wie Auswahl und Bestellung, nach Gruppen zählen usw.

Alles, was Sie tun müssen, ist, die Abkürzung für die Abfrage zu schreiben und die Registerkarte zu drücken:

Sie können auch eigene Vorlagen erstellen, was nicht schwierig ist, wenn Sie die vorhandenen nur kopieren und anpassen.

Fortgeschrittene Kopie -Tipps

Möglicherweise wissen Sie, dass DBEAver über umfangreiche Datenexportoptionen verfügt. Der Commonplace -Export -Assistent kann sich jedoch ein bisschen überwältigend fühlen, da er Ihnen jede Menge Konfigurationen zeigt, auch wenn Sie nur einen CSV schnell exportieren möchten.

Ein schnellerer Weg ist die Auswahl von Daten auf der Registerkarte Ergebnisse, mit der rechten Maustaste und der Auswahl der „erweiterten Kopie“. Auf diese Weise können Sie Ihre Daten in vielen Formaten wie CSV-, JSON-, Markdown-, TXT- und sogar SQL -Einfügen -Anweisungen kopieren.

Ich finde dieses eine tremendous hilfreich, besonders wenn ich Daten schnell an einen Teamkollegen senden muss.

Ein Bonus -Tipp ist, dass Sie diese Daten in TSV kopieren können, was von Excel und Google -Blättern in ihre richtigen Zellen richtig erkannt wird! Für diesen müssen Sie laut DBeaver doppelt vorgeschritten sein

Schlussfolgerungen

Ich liebe Dbeaver als SQL -IDE. Es ist unglaublich mächtig und die Schnittstelle ist sehr sauber. Es ist ehrlich gesagt, dass dieses Instrument kostenlos und offen ist. Wenn Sie es noch nicht ausprobiert haben, empfehle ich es viel!

Ich habe nicht gesehen, dass viele Leute über einige seiner schönsten Funktionen und Tips sprechen, und die meisten Tipps, die ich geteilt habe, stammen aus der Verwendung der Software program. Es gibt wahrscheinlich viel, was ich verpasst habe, besonders wenn es um Plugins geht, was ich nicht viel verwendet habe.

Ich weiß, dass ich alle Tipps sehr schnell durchgemacht habe. Wenn Sie additionally Zweifel haben, können Sie gerne die Möglichkeit haben. Wenn Sie mehr Workflow -Tipps haben, würde ich gerne davon hören!

Ich hoffe du hast etwas Neues gelernt!

Wenn Sie neugierig auf andere Tipps sind, die es nicht in diesen Beitrag geschafft haben, oder gerne über allgemeine Datenthemen erfahren, Abonniere mich Kostenloser E-newsletter auf dem Substant. Ich veröffentliche, wenn ich etwas wirklich Interessantes zu teilen habe.

Möchten Sie sich direkt anschließen oder Fragen haben? Jederzeit bei nachgehen mtrentz.com.

Alle Bilder und Animationen, sofern nicht anders angegeben, stammen vom Autor