实战指南

端到端的实战示例，展示 TypeSafe 如何在真实问题中发挥作用，从几个问题到完整流水线。

每个实战指南都是一个完整的示例：一个真实数据集、围绕它作出决策的 TypeSafe 问题，以及把这些决策变成一个可用系统的代码。当你想看原语与模式如何在一个具体问题上组合起来时，可以读其中一篇，也可以直接复制一篇作为你自己的起点。

本节假设你已了解 TypeSafe 原语，并理解置信度的工作原理。如果还没有，请先阅读这两部分。

自一致性

重复执行同一个决策，并把多次运行之间的一致性用作信号。

实战指南	它做什么	难度
自一致性：nouls	将不确定的概率路由到人工审核，同时保持底层的 noul 值可见。	入门
自一致性：choices	在内容审核决策中加入一个不确定的结果，并将标签一致性与自动操作所占的比例进行对比。	入门

批量处理

把许多问题打包进一次请求。

实战指南	它做什么	难度
并行问题	对 GDPR 维基百科文章运行一个包含 13 个问题的监管简报，展示把所有问题批量打包进一次 TypeSafe 调用可以便宜 12.2 倍、快 10.0 倍，而答案保持不变。	入门

操作指南

常见任务的实用配方：搜索、格式化、工具选择、防护栏。

实战指南	它做什么	难度
重排序	为 40 个 CLERC 法律查询构建各含 30 个段落的 BM25 短名单，然后对每个查询-候选对使用一个 TypeSafe 问题，把 top-1 准确率从 5% 提升到 18%，top-10 准确率从 38% 提升到 62%。	入门
逐行搜索	为 GitHub 服务条款构建语义搜索。在一次请求中，用一个 Choice 问题针对自然语言查询对 218 个行 id 打分，再用一个 Noul 问题检查文档中是否包含答案。	入门
结构恢复	用两次请求从丢失格式的纯文本中重建 Markdown：一次把被硬换行拆散的行重新拼接起来，一次对每个区块（标题、列表、代码、标注）进行分类。	入门
函数调用	通过把函数名和封闭集合参数映射到具备置信度感知的 TypeSafe 问题，把自然语言交易请求转化为对普通类型化函数的调用。	进阶
技能建议	从 Nous Research 的 Hermes 目录中的 182 个技能里，为智能体的一个回合至多挑选一个技能，用两次 TypeSafe 请求对排名靠前的候选进行排序和复查。	进阶
知识图谱实体对齐	利用一个 Score 问题加三个伴随的 Noul 问题（后者会揭示哪些字段存在分歧），判断来自两个啤酒目录的 450 个候选对中哪些描述的是同一款产品。	入门
对 RAG 段落分类	用一个 TypeSafe 请求对每条检索到的段落打分，然后在代码中决定哪些段落送入回答模型。	进阶
复核引用	通过对照原始文档来发现错误或虚构的引用。一个 Choice 问题即可判断引文上下文是否支持该论断。	入门
面向 LLM 的防护栏	用一个 TypeSafe 请求筛查进出 LLM 应用的每一条消息，对危害概率和严重程度设定阈值，从而放行、复核、拦截或路由。	进阶

抽取

从杂乱的文本中提取类型化的值。

实战指南	它做什么	难度
SDE 级联	使用两阶段的结构化数据抽取级联（mini → verify → reasoning），以极小的成本获得大型推理模型的大部分质量。	进阶
日期抽取	通过向 TypeSafe 询问文档中提到的各个日期部分来抽取绝对日期和相对日期，然后在代码中进行解析与校验，并采用基于置信度的审核。	入门
预解析值抽取	先用正则表达式找出候选的电子邮箱、电话号码和金额，再让 TypeSafe 选出所请求的片段，以便代码对逐字原样的值进行规范化。	入门

分类

把输入归入任意深度的类别。

实战指南	它做什么	难度
层次化分类	基于 TypeSafe Choice 概率上的并行束搜索，在专利、零售商品、生物医学和源代码等深层层级体系中为文档分类。	进阶
自动研究特征发现	运行一个自动研究循环：提出 TypeSafe 问题、把自由文本转换为数值特征，并利用模型误差来改进一个有监督的 CatBoost 回归器。	高级
基于置信度的分类	用每个报告一个 Choice 问题的方式把 SEC 年报分类到 75 个行业组，然后读取答案自身的置信度，决定是上报该行业组还是其上一层更宽泛的部门。	入门

💡提示

我们非常乐意了解大家如何使用我们的原语。如果你构建了值得写成一篇实战指南的东西，欢迎告诉我们！