每篇实战指南都是一个完整示例：一份真实数据集、围绕它做出决策的 TypeSafe 问题，以及把这些决策变成可用系统的代码。当你想看原语和模式如何在一个具体问题上结合时，可以阅读其中一篇；也可以把某篇复制下来，作为你自己项目的起点。
本节假设你已经了解 TypeSafe 原语，并理解置信度的工作方式。如果还没有，请先阅读这两部分。
自洽性（Self-consistency）
重复执行同一决策，把多次运行之间的一致程度当作信号。
| 实战指南 | 做什么 | 难度 |
|---|---|---|
| 自洽性：Noul | 把不确定的概率路由给人工审核，同时让底层的 noul 值保持可见。 | 入门 |
| 自洽性：Choice | 为内容审核决策增加一个"不确定"结果，并对比标签一致率与自动处置占比。 | 入门 |
批处理（Batching）
把大量问题打包进单个请求。
| 实战指南 | 做什么 | 难度 |
|---|---|---|
| 并行问题 | 针对 GDPR 维基百科条目运行一套 13 个问题的监管简报，展示把所有问题打包进一次 TypeSafe 调用可便宜 12.2 倍、快 10.0 倍，且答案没有任何变化。 | 入门 |
How-to
常见任务的配方：搜索、格式化、工具选择、护栏。
| 实战指南 | 做什么 | 难度 |
|---|---|---|
| 重排序 | 为 40 个 CLERC 法律查询构建 30 段落的 BM25 候选清单，再对每个"查询-候选"对用一个 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。一次请求中，用 Choice 问题对 218 个行 id 按自然语言查询打分，并用一个 Noul 问题检查文档是否包含答案。 | 入门 |
| 结构恢复 | 用两次请求从丢失格式的纯文本重建 Markdown：一次把硬换行的行重新缝合，另一次对每个块（标题、列表、代码、标注框）做分类。 | 入门 |
| 函数调用 | 把自然语言交易请求转换为对普通类型化函数的调用，方法是把函数名和闭集参数映射为带置信度的 TypeSafe 问题。 | 进阶 |
| 技能推荐 | 从 Nous Research 的 Hermes 目录所含的 182 个技能中，为一个 agent 回合至多挑出一个技能：第一次 TypeSafe 请求对所有技能排序，第二次仔细复核前几名候选。 | 进阶 |
| 知识图谱实体对齐 | 用一个 Score 问题加三个伴随 Noul（用于暴露哪些字段不一致），判断两份啤酒目录中的 450 个候选对里哪些描述同一产品。 | 入门 |
| RAG 段落分类 | 用一次 TypeSafe 请求为每个检索到的段落打分，再由代码决定哪些段落可以送入作答模型。 | 进阶 |
| 引文复核 | 对照源文档捕捉错误或幻觉引文。一个 Choice 问题判定引文的上下文是否支持该论断。 | 入门 |
| LLM 护栏 | 用一次 TypeSafe 请求筛查进出 LLM 应用的每条消息，对风险概率和严重程度设置阈值，决定放行、人工复核、拦截还是路由。 | 进阶 |
信息抽取
从杂乱文本中提取类型化的值。
| 实战指南 | 做什么 | 难度 |
|---|---|---|
| SDE 级联 | 用两阶段结构化数据抽取级联（mini → 核验 → reasoning），以一小部分成本获得大推理模型的大部分质量。 | 进阶 |
| 日期提取 | 让 TypeSafe 抽取文档中提到的日期组成部分，再在代码中解析、校验它们，并基于置信度送人工复核。 | 入门 |
| 预解析值提取 | 先用正则找出候选的邮箱、电话号码和金额，再让 TypeSafe 选中所要的片段，使代码能对逐字值做归一化。 | 入门 |
分类
在任意深度上把输入归入类别。
| 实战指南 | 做什么 | 难度 |
|---|---|---|
| 层级分类 | 基于 TypeSafe Choice 概率做并行束搜索，让文档穿过深层的专利、零售商品、生物医学和源码类目层级完成分类。 | 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、把自由文本转成数值特征，并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 | 用每篇一个 Choice 把 SEC 年报分入 75 个行业组，再读取答案自身的置信度，决定上报该行业组还是其上层的行业大类。 | 入门 |
我们一直很乐意了解大家如何使用我们的原语。如果你做出了值得写成实战指南的东西，欢迎给我们留言！