CommunitySchreiben & Editierengithub.com

ProgramAsWeights (PAW)

Kompiliere natürlichsprachliche Spezifikationen in lokale neuronale Funktionen für Textklassifikation, Extraktion und Fuzzy-Matching-Aufgaben in deinem KI-Coding-Agenten.

Was ist ProgramAsWeights (PAW)?

ProgramAsWeights (PAW) übersetzt eine kurze, natürlichsprachliche Spezifikation in eine winzige neuronale Funktion ("neuronale Software"), die lokal läuft und offline ist – nach einem einmaligen Kompilieren über die gehostete API. Die Funktion benötigt nach dem ersten Download keine Netzwerkverbindung mehr und ist ideal für Aufgaben wie Klassifikation (z. B. Sentiment, Dringlichkeit), Extraktion (E-Mails, Namen, Daten) oder Fuzzy-Matching. Entwickler können PAW sowohl in Python (pip) als auch im Browser über WebAssembly (npm-Paket) nutzen. Das Tool ersetzt brüchige reguläre Ausdrücke oder teure Einzel-LLM-Aufrufe durch eine kleine, schnelle und deterministische Funktion, die nach dem Kompilieren lokal in 0,05–0,5 s ausgeführt wird. Für eine gute Genauigkeit wird empfohlen, die Spezifikation iterativ mit Testfällen zu verfeinern und zu testen, ähnlich wie bei traditioneller Softwareentwicklung.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add tolimcn7786/skills

Installed? Explore more Schreiben & Editieren skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht ProgramAsWeights (PAW)?

ProgramAsWeights kompiliert eine kurze natürlichsprachliche Spezifikation in eine winzige neuronale Funktion ("neuronale Software"), die einen Texteingabe nimmt und eine Textausgabe zurückgibt und lokal ausgeführt wird. Du kompilierst einmal über die gehostete API; die resultierende Funktion läuft dann lokal und offline für immer.

Wann verwenden

Greife zu PAW, wenn eine Aufgabe verschwommen Text -> Text ist und du sie billig, schnell, lokal und wiederholbar haben möchtest:

  • Klassifikation / Kategorisierung – Sentiment, Dringlichkeit, Absicht, Thema, Spam oder ALERT vs QUIET Logzeilen.
  • Extraktion – E-Mails, Namen, Daten, IDs oder Felder aus unstrukturiertem/chaotischem Text ziehen.
  • Format-Reparatur / Normalisierung – defektes JSON reparieren, Daten normalisieren, inkonsistente Eingaben bereinigen.
  • Fuzzy-Matching – Tipptolerantes Matching, Erkennung nahezu identischer Texte, eine Phrase der nächsten Option zuordnen.
  • Triage / Weiterleitung – Rauschen aus Logs filtern, eine Anfrage an den richtigen Handler weiterleiten.

Es ersetzt einen brüchigen regulären Ausdruck oder einen teuren Einzel-LLM-Aufruf durch eine kleine Funktion, die nach dem Kompilieren in etwa 0,05–0,5 s lokal abläuft, ohne Netzwerk.

Wann NICHT verwenden

  • Langformatige oder offene Generierung (Aufsätze, Code, Chat) – verwende stattdessen ein volles LLM.
  • Mehrschrittige Überlegungen, Mathematik oder Aufgaben, die breites Weltwissen erfordern.
  • Alles, was nicht einzelner Text rein -> einzelner Text raus ist. Funktionen sind zustandslos und teilen sich ein ~2048-Token-Fenster über Spezifikation + Eingabe + Ausgabe.

So wird es verwendet (der Workflow)

1. Suche zuerst im Hub. Jemand könnte bereits eine Funktion veröffentlicht haben; versuche einen Slug vor dem Kompilieren:

import programasweights as paw

fn = paw.function("email-triage")   # lädt einmal herunter, läuft dann lokal
fn("Dringend: Server ist down!")    # "sofort"
fn("Newsletter: Frühlingspicknick")  # "warten"

2. Ansonsten kompiliere deine eigene. Eine gute Spezifikation ist eine Beschreibung PLUS ein paar Eingabe: ... Ausgabe: ... Beispiele und eine explizite Ausgabeeinschränkung:

import programasweights as paw

fn = paw.compile_and_load("""
Klassifiziere Support-Tickets. Gib NUR EINES zurück: Abrechnung, Fehler, Funktion, Sonstiges.

Eingabe: Mir wurde diesen Monat zweimal abgebucht
Ausgabe: Abrechnung

Eingabe: Der Export-Button tut nichts
Ausgabe: Fehler

Eingabe: Bitte füge einen Dark Mode hinzu
Ausgabe: Funktion
""")

fn("meine Karte wurde erneut belastet")   # "Abrechnung"

3. Iteriere mit Testfällen – die #1 Praxis. Akzeptiere nicht das erste Ergebnis. Baue eine kleine Menge von Eingabe/Erwartet-Paaren, messe die Genauigkeit, verfeinere dann die Formulierung und die Beispiele und kompiliere neu, bis es gut genug ist. Behandle es wie Software: testen, die spezifischen Fehler debuggen, die Spezifikation korrigieren, erneut testen. Eine minimale Evaluierungsschleife:

import programasweights as paw

tests = [
    {"input": "Mir wurde diesen Monat zweimal abgebucht", "expected": "Abrechnung"},
    {"input": "Der Export-Button tut nichts", "expected": "Fehler"},
    {"input": "Bitte füge einen Dark Mode hinzu", "expected": "Funktion"},
]

fn = paw.compile_and_load(open("spec.txt").read())
ergebnisse = [(t, fn(t["input"]).strip()) for t in tests]
fehler = [(t, erhalten) for t, erhalten in ergebnisse if erhalten != t["expected"]]
print(f"Genauigkeit: {(len(tests) - len(fehler)) / len(tests):.0%}")
for t, erhalten in fehler:
    print("FEHLER:", t["input"], "-> erhalten", repr(erhalten), "gewünscht", repr(t["expected"]))

Siehe references/writing-good-specs.md für Hinweise zum Debuggen der Fehler.

4. Speichere die Programm-ID oder den Slug und verwende sie lokal wieder. Inferenz benötigt nach dem ersten Asset-Download keinen Server mehr.

Installation

pip install programasweights --extra-index-url https://pypi.programasweights.com/simple/

Browser / JavaScript: npm install @programasweights/web. Mit compiler="paw-4b-gpt2" kompilierte Funktionen laufen clientseitig über WebAssembly. Siehe references/browser-sdk.md.

Was wo läuft (Datenfluss – vor der Verwendung lesen)

  • Kompilieren sendet deine Spezifikation an die gehostete PAW-API (https://programasweights.com) und gibt eine Programm-ID zurück. Gib keine Geheimnisse in eine Spezifikation.
  • Inferenz läuft lokal über das SDK und funktioniert offline nach dem ersten Download.
  • Authentifizierung ist optional – anonyme Nutzung ist möglich. Melde dich nur für höhere Kompilierungslimits und benannte Slugs an (export PAW_API_KEY=paw_sk_...).

Weitere Details (bei Bedarf laden)

  • Vollständige API, Compiler, Versionierung, Verkettung, Auth: references/api.md
  • Schreiben und Debuggen von Spezifikationen: references/writing-good-specs.md
  • Browser / JavaScript SDK: references/browser-sdk.md
  • Häufige Fehler und deren Behebung: references/troubleshooting.md
  • Praxisbeispiele (Log-Überwachung, semantische Suche, Tool-Aufrufe): https://programasweights.readthedocs.io

Verwandte Skills