What are local edits in Nano Banana?

Local edits are precise modifications to a model’s behavior for a specific scope. In Nano Banana, you define triggers and targets so the edit applies only when relevant, minimizing regressions elsewhere.

How do I choose between rewrite, bias, and constraint edits?

Use rewrite for factual corrections or templated outputs, bias for subtle preference shifts, and constraint for hard rules like mandatory disclaimers. Start lighter (rewrite or bias) and escalate only if tests fail.

How can I prevent local edits from affecting unrelated queries?

Tighten your trigger scope with negatives, increase the semantic radius, or switch to a classifier trigger. Always include counterfactual tests to ensure stability.

Can I roll back a local edit in Nano Banana?

Yes. Nano Banana supports versioning and rollback. Validate each edit, use canary rollout, and keep a rollback window so you can revert instantly if metrics degrade.

How do I test local edits effectively?

Create positive prompts, counterfactual prompts, and stress tests, then validate before activation. Measure pass rate, counterfactual drift, and UX metrics like CSAT to ensure the edit helps without collateral damage.

Cara Melakukan Edit Lokal dengan Nano Banana: Panduan Praktis

Jika Anda pernah berharap dapat mengubah hanya satu bagian dari perilaku model—tanpa melatih ulang, merusak segalanya, atau menunggu berjam-jam—edit lokal adalah kekuatan super baru Anda. Dalam panduan ini, kami akan membahas cara melakukan edit lokal dengan Nano Banana, langkah demi langkah, dengan contoh praktis dan hal-hal yang perlu dihindari.

Klaim berani: Edit lokal memungkinkan Anda memperbaiki satu perilaku model secara bedah sambil membiarkan sisanya tetap utuh. Anggap saja perbaikan cepat (), bukan pembangunan ulang.

Tutorial ini mengikuti gaya Praktis & Berorientasi Solusi. Kami akan membuatnya tetap langsung (), menunjukkan pola seperti kode, dan fokus pada hasil yang dapat Anda verifikasi dengan cepat.

Apa Itu Edit Lokal (dan Mengapa Menggunakan Nano Banana)?

Edit lokal adalah modifikasi yang tepat pada respons model untuk input atau konsep tertentu, tanpa memengaruhi output yang tidak terkait.

Nano Banana (NB) adalah perangkat () pengeditan ringan untuk LLM dan yang menekankan:

Kecepatan: Edit dalam hitungan detik, bukan jam

Isolasi: Minimalkan regresi di tempat lain

Reversibilitas: Kembalikan () atau buat versi edit dengan bersih

Auditabilitas: Lacak dengan tepat apa yang berubah dan mengapa

Kasus penggunaan tipikal:

Perbaiki model yang menghalusinasi harga produk dengan memberlakukan fakta yang dikoreksi

Turunkan atau hapus asosiasi bias untuk entitas tertentu

Tambahkan aturan baru untuk domain sensitif (misalnya, penafian medis) tanpa pelatihan ulang

Tambal pola respons "buruk yang diketahui" yang diidentifikasi dalam

Sebelum Anda Mulai: Konsep yang Akan Anda Gunakan

Cakupan edit: Kondisi pemicu yang menentukan kapan edit berlaku (pola, , atau ).

Target edit: Perilaku yang Anda inginkan (preferensi token baru, batasan, atau templat penulisan ulang).

Kekuatan edit: Seberapa kuat edit menimpa model dasar (batasan lunak vs. keras).

Uji keamanan: Prompt kontrafaktual yang seharusnya tidak berubah—harus untuk menghindari regresi.

Pengembalian/pembuatan versi: Kemampuan untuk membatalkan atau membandingkan varian edit.

Mulai Cepat: Jalur 10 Menit

Berikut adalah cara tercepat untuk membuat edit lokal berfungsi di Nano Banana. Contoh-contoh ini menggunakan pseudo-API yang mencerminkan pola NB umum sehingga Anda dapat beradaptasi dengan lingkungan Anda.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Inisialisasi editor dengan model Anda
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Tentukan pemicu (cakupan edit)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # frasa untuk menambatkan konsep
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # ambang batas kemiripan untuk aktivasi
)
# 3) Tentukan perilaku target
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; lebih tinggi = timpaan lebih kuat
)
# 4) Tambahkan uji keamanan
tests = Tests(
positives=[
("What's the price of Acme Pro 5?", "699"),
],
counterfactuals=[
("What's the price of Acme Pro 4?", "do not say 699"),
("Compare Acme Pro 5 to Acme Lite", "avoid price rewrite unless directly asked"),
]
)
# 5) Terapkan edit dan validasi
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktifkan setelah melewati 
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Memilih Jenis Edit yang Tepat

Tulis ulang (<i>Rewrite</i>): Terbaik untuk koreksi faktual atau dorongan () bertema. Contoh: mengoreksi spesifikasi produk.

Bias: Sesuaikan kemungkinan tingkat token tanpa membuat templat. Contoh: mencegah kata kerja yang tidak aman dalam konteks yang sempit.

Batasan (<i>Constraint</i>): Terapkan aturan keras (misalnya, harus menyertakan penafian). Gunakan dengan hemat untuk menghindari susunan kata yang tidak wajar.

Kapan Menggunakan Pemicu Semantik vs. Pola

Pemicu semantik: Kuat terhadap parafrase. Bagus untuk konsep seperti “harga Acme Pro 5”.

Pemicu pola: Regex atau pencocokan kata kunci. Baik untuk format yang ketat (misalnya, kode SKU).

Pemicu klasifikasi: Latih kecil pada contoh positif/negatif untuk presisi dalam domain yang rumit.

Membangun Pemicu yang Andal

Mulailah dengan 5–10 frasa awal positif dan 5–10 negatif.

Ukur penyimpangan aktivasi: seberapa sering pemicu aktif pada input yang tidak terkait.

Sesuaikan radius sehingga positif Anda secara konsisten aktif sementara kontrafaktual tidak. Targetkan <2% aktivasi palsu.

probe = nb.dry_run(trigger, samples=[
"How much is Acme Pro 5?",
"Is Acme Pro 4 cheaper?",
"Acme Lite warranty details",
])
probe.metrics

Membuat Target Tanpa Kerusakan Tambahan

Pilih templat yang ringkas: satu kalimat sering kali lebih baik daripada tiga.

Pertahankan strength sedang terlebih dahulu (0,4–0,7); tingkatkan hanya jika pengujian gagal.

Untuk edit kepatuhan, gunakan templat bersyarat:

target = Target(
mode="rewrite",
template="If the user asks about pricing, respond: 'The current price of Acme Pro 5 is $699.' Otherwise, proceed normally.",
strength=0.55
)

Pengujian: Jaring Pengaman Anda

Rancang pengujian seolah-olah diri Anda di masa depan akan berterima kasih kepada Anda.

Positif: Tepat sasaran dan parafrase (“harga”, “biaya”, “berapa”).

Kontrafaktual: Entitas serupa, model berbeda, perbandingan.

Uji stres: Prompt panjang, susunan kata yang bertentangan, varian multibahasa.

suite = nb.autogenerate_tests(
positives_topic="Acme Pro 5 pricing",
counterfactuals_topics=["Acme Pro 4 pricing", "Acme Lite features"],
paraphrase_count=25)
report = nb.validate(edit_id, suite)

Pembuatan Versi dan Pengembalian Seperti Profesional

Gunakan pembuatan versi semantik untuk edit: [email protected].

Selalu validasi sebelum aktivasi; jangan pernah mengaktifkan langsung () pada lalu lintas produksi.

Pertahankan jendela pengembalian dan mode (misalnya, 1% lalu lintas) untuk mendeteksi regresi.

nb.activate(edit_id, rollout="canary:1%")
nb.monitor(edit_id, metrics=["ctr", "csat", "drift"]) # metrik bisnis + model

Skenario Dunia Nyata yang Akan Anda Temui

Fakta produk berubah seiring waktu

Pemicu: semantik pada entitas produk

Target: tulis ulang dengan variabel dinamis

Integrasi: tarik nilai langsung dari sumber kebenaran harga Anda

def dynamic_price:
return fetch_price("Acme Pro 5")
target = Target(mode="rewrite", template=lambda: f"The current price of Acme Pro 5 is ${dynamic_price}.", strength=0.6)

Tambahkan penafian keselamatan tanpa terlalu membatasi

Pemicu: klasifikasi untuk maksud medis tentang penggunaan di luar label

Target: batasan + penafian singkat

Tip: Sertakan kontrafaktual untuk pertanyaan kesehatan yang tidak berbahaya untuk menghindari pemicuan berlebihan

Turunkan asosiasi bias

Pemicu: semantik pada entitas sensitif

Target: mode bias untuk mengurangi kemungkinan deskriptor berbahaya

Pengujian: penyelidikan keadilan di seluruh demografi

Mengukur Keberhasilan

Lacak hasil model dan produk:

Presisi edit: Seberapa sering edit dipicu saat seharusnya

Stabilitas kontrafaktual: Tingkat penyimpangan pada nyaris celaka ()

Kepuasan pengguna: CSAT atau tingkat jempol pada respons yang diedit

Overhead latensi: Target <10 md waktu tambahan per permintaan

KPI bisnis: Pengurangan eskalasi, tingkat resolusi lebih tinggi, lebih sedikit bendera kepatuhan

Memecahkan Masalah Edit Lokal di Nano Banana

Edit tampaknya tidak berlaku

Turunkan radius semantik atau tambahkan lebih banyak positif

Tingkatkan strength sedikit (sebesar 0,05–0,1)

Konfirmasikan bahwa memuat set edit aktif

Terlalu banyak positif palsu

Tambahkan negatif dan naikkan radius

Konversi dari semantik ke pemicu klasifikasi untuk presisi

Respons terdengar dipaksakan

Perpendek templat; beralih ke mode bias untuk sentuhan yang lebih ringan

Kurangi strength; tambahkan klausa bersyarat

Kinerja menurun

Kelompokkan komputasi pemicu; kueri

Pangkas edit yang tidak aktif; hindari pemicu yang tumpang tindih

Tata Kelola dan Audit

Simpan catatan perubahan dengan: penulis, maksud, pemicu, target, pengujian, dan hasil.

Wajibkan peninjauan untuk edit berdampak tinggi (kepatuhan, keselamatan, keuangan).

Ambil sebelum/sesudah contoh untuk auditabilitas.

Pola Tingkat Lanjut

Pemicu hierarkis: Klasifikasi luas mengendalikan pemicu semantik tertentu untuk lebih sedikit kebakaran palsu.

Edit terikat waktu: Edit kedaluwarsa otomatis setelah tanggal; bagus untuk promosi.

Templat multi-entitas: Gunakan variabel: {{product}}, {{price}}, {{region}} dengan .

Varian edit A/B: Bersaing [email protected] vs [email protected] untuk melihat mana yang menghasilkan UX yang lebih baik.

Berintegrasi ke dalam Tumpukan Anda

Simpan edit dalam registri versi dan muat saat server model.

Ekspos UI admin kecil untuk mengalihkan, mengembalikan, dan memeriksa dampak.

Alirkan peristiwa saat pemicu aktif untuk observabilitas.

observability:
emit_trigger_events: true
payload: [user_id, prompt_hash, edit_id, activation_score]

Ngomong-ngomong: Mempercepat Penulisan dengan Sider.AI

Perlu dicatat: jika Anda memelihara banyak edit kecil, penulisan pengujian dan parafrase bisa jadi membosankan. Alat seperti Sider.AI dapat membantu Anda menghasilkan prompt yang diparafrasekan, mengatur rangkaian kontrafaktual, dan mendokumentasikan alasan edit. Ini tidak menggantikan validasi Anda—hanya mempercepat bagian yang membosankan sehingga Anda dapat fokus pada .

Rekap: Daftar Periksa yang Dapat Anda Gunakan Kembali

Tentukan perilaku yang Anda inginkan; pertahankan cakupan yang sempit

Pilih jenis pemicu: semantik, pola, atau klasifikasi

Mulailah dengan strength sedang dan templat pendek

Bangun positif, kontrafaktual, dan uji stres

Validasi, , pantau, dan baru kemudian luncurkan

Buat versi setiap perubahan dan siapkan pengembalian

Langkah Selanjutnya

Terapkan edit tulis ulang pemicu-semantik pertama Anda

Tambahkan edit keselamatan pemicu-klasifikasi dengan penafian

Otomatiskan pembuatan parafrase dan pengujian regresi

Ukur penyimpangan setiap minggu dan pangkas edit yang kedaluwarsa

Jika Anda mengikuti alur kerja ini, Anda akan mendapatkan edit lokal yang tajam dan andal dengan Nano Banana—cepat dikirim, mudah dikelola, dan aman untuk dikembalikan.

FAQ

Q1:Apa itu edit lokal di Nano Banana? Edit lokal adalah modifikasi yang tepat pada perilaku model untuk cakupan tertentu. Di Nano Banana, Anda menentukan pemicu dan target sehingga edit hanya berlaku bila relevan, meminimalkan regresi di tempat lain.

Q2:Bagaimana cara memilih antara edit tulis ulang, bias, dan batasan? Gunakan tulis ulang untuk koreksi faktual atau output bertema, bias untuk pergeseran preferensi halus, dan batasan untuk aturan keras seperti penafian wajib. Mulailah lebih ringan (tulis ulang atau bias) dan tingkatkan hanya jika pengujian gagal.

Q3:Bagaimana cara mencegah edit lokal memengaruhi kueri yang tidak terkait? Perketat cakupan pemicu Anda dengan negatif, tingkatkan radius semantik, atau beralih ke pemicu klasifikasi. Selalu sertakan uji kontrafaktual untuk memastikan stabilitas.

Q4:Bisakah saya mengembalikan edit lokal di Nano Banana? Ya. Nano Banana mendukung pembuatan versi dan pengembalian. Validasi setiap edit, gunakan peluncuran , dan pertahankan jendela pengembalian sehingga Anda dapat memulihkan secara instan jika metrik menurun.

Q5:Bagaimana cara menguji edit lokal secara efektif? Buat prompt positif, prompt kontrafaktual, dan uji stres, lalu validasi sebelum aktivasi. Ukur tingkat kelulusan, penyimpangan kontrafaktual, dan metrik UX seperti CSAT untuk memastikan edit membantu tanpa kerusakan tambahan.