API 设计:让牛懂琴

对于 API 设计,这个演示稿讲得实存是太赞了,等不及的同学马上了解一下《RESTful API Design, Second Edition》的这 107 页吧。如果希望先听我讲讲 10 分钟收获的同学,可以先看下面的描述。


以为需要买本书,看完整本才能明白什么是好的接口。没想到,利用 HTTP Verbs 和 URL,可以这样做非常简洁的 API。“对牛弹琴”被用以描述做无效劳动,可见弹琴者几乎做的都是无用功,而作者以深入浅出的方式让牛听懂琴变成了 — 甚至像我这样的牛 — 在 10 分钟之内立马理解。其主要需要注意的点可以归纳为以下几句:

保持 RESTful。只需 2 种 URL。不使用动词。使用复数名词。具体优于抽象。提供 JSON 的原则是支持 JS 调用。把复杂的参数放于 ? 号后面。借鉴优秀的 API。提供异常描述。提供库或者 SDK。

这里面值得强调,或者说可能需要一点解析的是这几点:

一、只需 2 种 URL

结合 HTTP Verbs,我们通常只需要 2 种 URL,一种用于集合的调用,一种用于单个实例的调用:

  • /dogs :用于调用狗狗列表
  • /dogs/1234 用于调用 dogs 这个列表中 ID 为 1234 的小狗

所有 API 都一样。其实我想你想到的可能是这样的形式,因为毕竟会需要有四种动作:创建 / 查看 / 修改 / 删除

  • /dogs [GET] 查看狗狗列表
  • /dogs/edit [PUT] 批量修改
  • /dogs/delete [DELETE] 批量删除
  • /dogs/1234 [GET] 查看 ID 为 1234 的小狗
  • /dogs/1234/edit [PUT] 对小狗做点什么
  • /dogs/1234/delete [DELETE] 删除小狗的存在

看起来不错。或者还可以变成 /dogCreate 之类的来减少一层,但还是不能实质上减少数目。这时太多接口总是导致记错,并且还需要记得 HTTP Verbs 与 URL 的对应。代码层面上也比较难做(或者应该对比下后面的实现)。何不考虑与 HTTP Verbs 结合:

  • POST –> Create 创新
  • GET –> Read 查看
  • PUT –> Update 修改
  • DELETE –> Delete 删除

这个时候我们只需要 2 种 URL,与 HTTP Verbs 充分结合:

  POST GET PUT DELETE
/dogs创建查看列表批量修改删除所有
/dogs/1234error查看单个实例修改单个实例删除单个实例

 二、提供 JSON 的原则是支持 JS 调用

这点似乎一点难理解,先让我们来看一下几个设计吧:

// twitter
"created_at": "Thu Nov 03 05:19:38 +0000 2011"

//bing
"DateTime": "2011-10-29T09:35:00Z"

//Foursquare
"createdAt": 1320296464

这里假设我们有两种需要,一种是直接放入页面显示,一种是做计时器用,那么当我们拥有的两个变量,在 bing 和 4sq 上是这样的:

var obj = JSON.parse(response);

// bing
var stamp = obj.DateTime; // 返回 2011-10-29T09:35:00Z
// 显示出来也看得出是一个日期
// 但不能做计数器用,需要转换,这种格式 JS 还不好转

// 4sq
var stamp = obj.createdAt; // 返回 
// 显示出来需要用 JS 转 1320296464,因为是秒数,可以方便转成各种格式
// 可直接用于计数

显然,这种方式更灵活。API 最好支持 JS 直接调用/使用。

三、把复杂的变量放在 URL 参数上

这个如上面第一点所提到的,层级导致代码的难度增大,不如放成参数;这样还可以保证 API 接口的简洁和少量,而实现同样多的功能。

然后,或者你会像我一样,再一次阅读。然后去迭代/优化你的 API。

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
内容概要:本文详细介绍了哈希表及其相关概念和技术细节,包括哈希表的引入、哈希函数的设计、冲突处理机制、字符串哈希的基础、哈希错误率分析以及哈希的改进与应用。哈希表作为一种高效的数据结构,通过键值对存储数据,能够快速定位和检索。文中讨论了整数键值和字符串键值的哈希方法,特别是字符串哈希中的多项式哈希及其优化方法,如双哈希和子串哈希的快速计算。此外,还探讨了常见的冲突处理方法——拉链法和闭散列法,并提供了C++实现示例。最后,文章列举了哈希在字符串匹配、最长回文子串、最长公共子字符串等问题中的具体应用。 适合人群:计算机科学专业的学生、算法竞赛选手以及有一定编程基础并对数据结构和算法感兴趣的开发者。 使用场景及目标:①理解哈希表的工作原理及其在各种编程任务中的应用;②掌握哈希函数的设计原则,包括如何选择合适的模数和基数;③学会处理哈希冲突的方法,如拉链法和闭散列法;④了解并能运用字符串哈希解决实际问题,如字符串匹配、回文检测等。 阅读建议:由于哈希涉及较多数学知识和编程技巧,建议读者先熟悉基本的数据结构和算法理论,再结合代码实例进行深入理解。同时,在实践中不断尝试不同的哈希策略,对比性能差异,从而更好地掌握哈希技术。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值