CommunityEscrita e Ediçãogithub.com

ProgramAsWeights (PAW)

Compile especificações em linguagem natural em funções neurais locais para tarefas de classificação, extração e correspondência difusa em seu agente de codificação de IA.

O que é ProgramAsWeights (PAW)?

ProgramAsWeights (PAW) é uma habilidade que permite compilar uma curta especificação em linguagem natural em uma pequena função neural que executa localmente, transformando uma entrada de texto em uma saída de texto. É ideal para tarefas nebulosas de 'texto -> texto' como classificação (sentimento, urgência, tópico), extração (e-mails, nomes, IDs) e correspondência difusa (detecção de quase duplicatas). A compilação ocorre uma vez na API hospedada, e a função resultante executa offline e para sempre em aproximadamente 0,05-0,5 segundos, substituindo expressões regulares frágeis ou chamadas caras de LLM. O PAW é suportado em Python (via pip) e no navegador (via npm + WebAssembly), e a documentação recomenda testar com exemplos de entrada/saída e iterar até atingir precisão satisfatória, tratando a especificação como software a ser depurado.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add tolimcn7786/skills

Installed? Explore more Escrita e Edição skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que ProgramAsWeights (PAW) faz?

ProgramAsWeights compila uma curta especificação em linguagem natural em uma pequena função neural ("software neural") que recebe uma entrada de texto e retorna uma saída de texto e executa localmente. Você compila uma vez na API hospedada; a função resultante executa localmente e offline para sempre.

Quando usar isso

Recorra ao PAW quando uma tarefa for nebulosa texto -> texto e você quiser algo barato, rápido, local e reproduzível:

  • Classificação / categorização - sentimento, urgência, intenção, tópico, spam, ou linhas de log ALERTA vs SILENCIOSO.
  • Extração - extrair e-mails, nomes, datas, IDs ou campos de texto desestruturado ou bagunçado.
  • Reparo de formato / normalização - corrigir JSON quebrado, normalizar datas, limpar entradas inconsistentes.
  • Correspondência difusa - correspondência tolerante a erros de digitação, detecção de quase duplicatas, mapear uma frase para a opção mais próxima.
  • Triagem / roteamento - filtrar ruído de logs, rotear uma solicitação para o manipulador correto.

Isso substitui uma regex frágil ou uma chamada cara de LLM por item por uma pequena função que, após compilada, executa em aproximadamente 0,05-0,5s localmente sem rede.

Quando NÃO usar

  • Geração longa ou aberta (ensaios, código, chat) - use um LLM completo.
  • Raciocínio multi-etapas, matemática ou tarefas que precisam de amplo conhecimento de mundo.
  • Qualquer coisa que não seja uma única entrada de texto -> única saída de texto. As funções não têm estado e compartilham uma janela de ~2048 tokens entre especificação + entrada + saída.

Como usar (o fluxo de trabalho)

1. Verifique o Hub primeiro. Alguém pode já ter publicado uma função; tente um slug antes de compilar:

import programasweights as paw

fn = paw.function("email-triage")   # baixa uma vez, depois executa localmente
fn("Urgente: servidor caiu!")        # "imediato"
fn("Newsletter: piquenique de primavera")      # "aguardar"

2. Caso contrário, compile a sua própria. Uma boa especificação é uma descrição MAIS alguns exemplos de Entrada: ... Saída: ... e uma restrição explícita de saída:

import programasweights as paw

fn = paw.compile_and_load("""
Classifique tickets de suporte. Retorne APENAS UM de: cobrança, bug, funcionalidade, outro.

Entrada: Fui cobrado duas vezes este mês
Saída: cobrança

Entrada: O botão de exportar não faz nada
Saída: bug

Entrada: Por favor, adicione um modo escuro
Saída: funcionalidade
""")

fn("meu cartão foi cobrado novamente")   # "cobrança"

3. Itere com casos de teste - a prática número 1. Não aceite o primeiro resultado. Construa um pequeno conjunto de pares de entrada/esperado, meça a precisão, depois refine a redação e os exemplos e recompile até que fique bom o suficiente. Trate como software: teste, depure as falhas específicas, corrija a especificação, teste novamente. Um loop mínimo de avaliação:

import programasweights as paw

testes = [
    {"input": "Fui cobrado duas vezes este mês", "expected": "cobrança"},
    {"input": "O botão de exportar não faz nada", "expected": "bug"},
    {"input": "Por favor, adicione um modo escuro",  "expected": "funcionalidade"},
]

fn = paw.compile_and_load(open("spec.txt").read())
resultados = [(t, fn(t["input"]).strip()) for t in testes]
erros = [(t, got) for t, got in resultados if got != t["expected"]]
print(f"precisão: {(len(testes) - len(erros)) / len(testes):.0%}")
for t, got in erros:        # inspecione falhas, depois corrija a especificação + recompile
    print("FALHOU:", t["input"], "-> obteve", repr(got), "esperado", repr(t["expected"]))

Veja references/writing-good-specs.md para como depurar as falhas.

4. Salve o id do programa ou slug e reutilize localmente. A inferência não precisa de servidor após o primeiro download do ativo.

Instalação

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

Navegador / JavaScript: npm install @programasweights/web. Funções compiladas com compiler="paw-4b-gpt2" executam no lado do cliente via WebAssembly. Veja references/browser-sdk.md.

O que executa onde (fluxo de dados - leia antes de usar)

  • Compilar envia sua especificação para a API PAW hospedada (https://programasweights.com) e retorna um id de programa. Não coloque segredos em uma especificação.
  • Inferência executa localmente através do SDK e funciona offline após o primeiro download.
  • Autenticação é opcional - uso anônimo funciona. Faça login apenas para limites de compilação mais altos e slugs nomeados (export PAW_API_KEY=paw_sk_...).

Mais detalhes (carregar sob demanda)

  • API completa, compiladores, versionamento, encadeamento, autenticação: references/api.md
  • Escrevendo e depurando especificações: references/writing-good-specs.md
  • SDK para Navegador / JavaScript: references/browser-sdk.md
  • Erros comuns e correções: references/troubleshooting.md
  • Estudos de caso práticos (monitoramento de logs, busca semântica, chamada de ferramentas): https://programasweights.readthedocs.io

Habilidades Relacionadas