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.

Jak wykonywać lokalne edycje za pomocą Nano Banana: Praktyczny przewodnik

Jeśli kiedykolwiek chciałeś dostosować tylko jeden element zachowania modelu – bez ponownego uczenia, psucia wszystkiego innego lub godzin czekania – lokalne edycje to twoja nowa supermoc. W tym przewodniku krok po kroku pokażemy, jak wykonywać lokalne edycje za pomocą Nano Banana, z praktycznymi przykładami i pułapkami, których należy unikać.

Odważne stwierdzenie: Lokalne edycje pozwalają chirurgicznie naprawić jedno zachowanie modelu, pozostawiając resztę nienaruszoną. Myśl o tym jak o "hotfixie", a nie przebudowie.

Ten samouczek jest prowadzony w stylu praktycznym i zorientowanym na rozwiązania. Będziemy trzymać się praktyki, pokazywać wzorce przypominające kod i skupiać się na wynikach, które można szybko zweryfikować.

Czym są lokalne edycje (i dlaczego warto używać Nano Banana)?

Lokalne edycje to precyzyjne modyfikacje odpowiedzi modelu dla określonych danych wejściowych lub koncepcji, bez wpływu na niezwiązane dane wyjściowe.

Nano Banana (NB) to lekkie narzędzie do edycji LLM i warstw klasyfikacyjnych, które kładzie nacisk na:

Szybkość: Edycje w sekundach, a nie godzinach

Izolację: Minimalizację regresji w innych miejscach

Odwacalność: Czyste wycofywanie lub wersjonowanie edycji

Audytowalność: Dokładne śledzenie, co się zmieniło i dlaczego

Typowe przypadki użycia:

Naprawianie modelu, który halucynuje cenę produktu, poprzez wymuszanie poprawionego faktu

Obniżanie rangi lub usuwanie stronniczych skojarzeń dla konkretnego podmiotu

Dodawanie nowej reguły dla wrażliwej domeny (np. zastrzeżenia medyczne) bez ponownego uczenia

Łatanie "znanego-złego" wzorca odpowiedzi zidentyfikowanego podczas red-teamingu

Zanim zaczniesz: Koncepcje, których będziesz używać

Zakres edycji: Warunki wyzwalające, które definiują, kiedy edycja ma zastosowanie (wzorce, osadzania lub bramki klasyfikatora).

Cel edycji: Zachowanie, które chcesz osiągnąć (nowe preferencje tokenów, ograniczenia lub szablony przepisywania).

Siła edycji: Jak silnie edycja zastępuje model bazowy (miękkie vs. twarde ograniczenia).

Testy bezpieczeństwa: Kontrfaktyczne podpowiedzi, które nie powinny się zmieniać – konieczność unikania regresji.

Wycofywanie/wersjonowanie: Możliwość cofnięcia lub porównania wariantów edycji.

Szybki start: Ścieżka 10-minutowa

Oto najszybszy sposób na uruchomienie lokalnej edycji w Nano Banana. Przykłady wykorzystują pseudo-API, które odzwierciedlają typowe wzorce NB, dzięki czemu możesz dostosować się do swojego środowiska.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Zainicjuj edytor swoim modelem
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Zdefiniuj wyzwalacz (zakres edycji)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # frazy do zakotwiczenia koncepcji
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # próg podobieństwa dla aktywacji
)
# 3) Zdefiniuj docelowe zachowanie
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; wyższa = silniejsze zastąpienie
)
# 4) Dodaj testy bezpieczeństwa
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) Zastosuj edycję i zweryfikuj
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktywuj po przejściu bramek
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Wybór odpowiedniego typu edycji

Przepisywanie (Rewrite): Najlepsze do korekt faktograficznych lub szablonowych poprawek. Przykład: poprawianie specyfikacji produktu.

Bias: Dostosowywanie prawdopodobieństw na poziomie tokenów bez szablonów. Przykład: zniechęcanie do niebezpiecznych czasowników w wąskim kontekście.

Ograniczenie (Constraint): Wymuszanie twardych reguł (np. musi zawierać zastrzeżenie). Używaj oszczędnie, aby uniknąć nienaturalnego brzmienia.

Kiedy używać wyzwalaczy semantycznych (Semantic) vs. wzorcowych (Pattern)

Wyzwalacze semantyczne: Odporne na parafrazy. Świetne dla koncepcji takich jak "cena Acme Pro 5".

Wyzwalacze wzorcowe: Dopasowania Regex lub słów kluczowych. Dobre dla ścisłych formatów (np. kody SKU).

Wyzwalacze klasyfikacyjne: Trenuj małą bramkę na przykładach pozytywnych/negatywnych dla precyzji w trudnych domenach.

Budowanie niezawodnych wyzwalaczy

Zacznij od 5–10 pozytywnych fraz początkowych i 5–10 negatywnych.

Mierz dryf aktywacji: jak często wyzwalacz uruchamia się dla niezwiązanych danych wejściowych.

Dostrój promień (radius), aby twoje pozytywy konsekwentnie się uruchamiały, a kontrfaktyczne nie. Dąż do <2% fałszywych aktywacji.

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

Tworzenie celów bez szkód ubocznych

Preferuj zwięzłe szablony: jedno zdanie często jest lepsze niż trzy.

Utrzymuj siłę (strength) umiarkowaną na początku (0,4–0,7); zwiększaj tylko wtedy, gdy testy zawiodą.

W przypadku edycji zgodności użyj szablonu warunkowego:

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
)

Testowanie: Twoja siatka bezpieczeństwa

Projektuj testy tak, jakby twoja przyszła jaźń miała ci za to podziękować.

Pozytywy: Bezpośrednie trafienia i parafrazy ("cena", "koszt", "ile").

Kontrfakty: Podobne podmioty, różne modele, porównania.

Testy warunków skrajnych: Długie podpowiedzi, wrogie sformułowania, warianty wielojęzyczne.

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)

Wersjonowanie i wycofywanie jak profesjonalista

Używaj semantycznego wersjonowania dla edycji: [email protected].

Zawsze sprawdzaj poprawność przed aktywacją; nigdy nie aktywuj na gorąco w ruchu produkcyjnym.

Utrzymuj okno wycofywania i tryb kanarkowy (np. 1% ruchu), aby wykryć regresje.

nb.activate(edit_id, rollout="canary:1%")
nb.monitor(edit_id, metrics=["ctr", "csat", "drift"]) # wskaźniki biznesowe + modelowe

Scenariusze z życia wzięte, które napotkasz

Fakty dotyczące produktu zmieniają się z czasem

Wyzwalacz: semantyczny na podmiocie produktu

Cel: przepisywanie ze zmienną dynamiczną

Integracja: pobieranie wartości na żywo z twojego źródła prawdy o cenach

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)

Dodawanie zastrzeżeń bezpieczeństwa bez nadmiernego nadzoru

Wyzwalacz: klasyfikator dla zamiaru medycznego dotyczącego użycia poza wskazaniami

Cel: ograniczenie + krótkie zastrzeżenie

Wskazówka: Dołącz kontrfakty dla łagodnych zapytań dotyczących zdrowia, aby uniknąć nadmiernego wyzwalania

Obniżanie rangi stronniczych skojarzeń

Wyzwalacz: semantyczny na wrażliwym podmiocie

Cel: tryb bias, aby zmniejszyć prawdopodobieństwo szkodliwych deskryptorów

Testy: sondy sprawiedliwości w różnych grupach demograficznych

Mierzenie sukcesu

Śledź zarówno wyniki modelu, jak i produktu:

Precyzja edycji: Jak często edycja jest wyzwalana, gdy powinna

Stabilność kontrfaktyczna: Współczynnik dryfu na bliskich chybieniach

Zadowolenie użytkowników: CSAT lub wskaźnik kciuków w górę dla edytowanych odpowiedzi

Narzut opóźnienia: Docelowo <10 ms dodatkowego czasu na żądanie

KPI biznesowe: Zmniejszona liczba eskalacji, wyższy wskaźnik rozwiązywania problemów, mniej flag zgodności

Rozwiązywanie problemów z lokalnymi edycjami w Nano Banana

Edycja wydaje się nie mieć zastosowania

Zmniejsz promień semantyczny lub dodaj więcej pozytywnych nasion

Zwiększ siłę (strength) nieznacznie (o 0,05–0,1)

Potwierdź, że środowisko uruchomieniowe ładuje aktywny zestaw edycji

Zbyt wiele fałszywych alarmów

Dodaj negatywy i zwiększ promień

Przekonwertuj z wyzwalacza semantycznego na klasyfikacyjny dla precyzji

Odpowiedzi brzmią wymuszenie

Skróć szablon; przełącz się na tryb bias dla lżejszego dotyku

Zmniejsz siłę (strength); dodaj klauzulę warunkową

Spadek wydajności

Grupuj obliczenia wyzwalaczy; buforuj zapytania o osadzanie

Przycinaj nieaktywne edycje; unikaj nakładających się wyzwalaczy

Zarządzanie i audyt

Prowadź dziennik zmian z: autorem, zamiarem, wyzwalaczami, celami, testami i wynikami.

Wymagaj przeglądu edycji o dużym wpływie (zgodność, bezpieczeństwo, finanse).

Wykonuj migawki przykładów przed/po dla możliwości audytu.

Zaawansowane wzorce

Hierarchiczne wyzwalacze: Szeroki klasyfikator bramkuje określony wyzwalacz semantyczny, aby zmniejszyć liczbę fałszywych alarmów.

Edycje ograniczone czasowo: Automatycznie wygaszaj edycje po dacie; świetne do promocji.

Szablony dla wielu podmiotów: Używaj zmiennych: {{product}}, {{price}}, {{region}} z resolverem.

Warianty edycji A/B: Rywalizuj [email protected] vs [email protected], aby zobaczyć, który daje lepsze UX.

Integracja ze stosem technologicznym

Przechowuj edycje w wersjonowanym rejestrze i ładuj je podczas uruchamiania serwera modelu.

Udostępnij mały interfejs użytkownika administratora do przełączania, wycofywania i sprawdzania wpływu.

Przesyłaj strumieniowo zdarzenia, gdy wyzwalacz uruchamia się w celu obserwacji.

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

A propos: Przyspieszenie tworzenia dzięki Sider.AI

Warto zauważyć: jeśli utrzymujesz wiele małych edycji, tworzenie testów i parafraz może stać się żmudne. Narzędzia takie jak Sider.AI mogą pomóc w generowaniu sparafrazowanych podpowiedzi, organizowaniu zestawów kontrfaktycznych i dokumentowaniu uzasadnień edycji. To nie zastępuje twojej walidacji – po prostu przyspiesza nudne części, abyś mógł skupić się na bramkach jakości.

Podsumowanie: Lista kontrolna, której możesz użyć ponownie

Zdefiniuj zachowanie, które chcesz osiągnąć; utrzymuj je w wąskim zakresie

Wybierz typ wyzwalacza: semantyczny, wzorcowy lub klasyfikacyjny

Zacznij od umiarkowanej siły (strength) i krótkiego szablonu

Zbuduj pozytywy, kontrfakty i testy warunków skrajnych

Sprawdź poprawność, kanarkuj, monitoruj i dopiero wtedy wdrażaj

Wersjonuj każdą zmianę i miej pod ręką wycofywanie

Następne kroki

Zaimplementuj swoją pierwszą edycję przepisywania z wyzwalaczem semantycznym

Dodaj edycję bezpieczeństwa z wyzwalaczem klasyfikacyjnym z zastrzeżeniami

Zautomatyzuj generowanie parafraz i testowanie regresji

Mierz dryf co tydzień i przycinaj przestarzałe edycje

Jeśli zastosujesz ten przepływ pracy, uzyskasz wyraźne, niezawodne lokalne edycje za pomocą Nano Banana – szybkie w dostawie, łatwe w zarządzaniu i bezpieczne do wycofania.

FAQ

P1: Czym są lokalne edycje w Nano Banana? Lokalne edycje to precyzyjne modyfikacje zachowania modelu dla określonego zakresu. W Nano Banana definiujesz wyzwalacze i cele, aby edycja była stosowana tylko wtedy, gdy jest to istotne, minimalizując regresje w innych miejscach.

P2: Jak wybrać między edycjami przepisywania (rewrite), bias i ograniczeń (constraint)? Użyj przepisywania (rewrite) do korekt faktograficznych lub szablonowych danych wyjściowych, bias do subtelnych przesunięć preferencji, a ograniczeń (constraint) do twardych reguł, takich jak obowiązkowe zastrzeżenia. Zacznij lżej (rewrite lub bias) i eskaluj tylko wtedy, gdy testy zawiodą.

P3: Jak mogę zapobiec wpływowi lokalnych edycji na niezwiązane zapytania? Zacieśnij zakres wyzwalacza za pomocą negatywów, zwiększ promień semantyczny lub przełącz się na wyzwalacz klasyfikacyjny. Zawsze dołączaj testy kontrfaktyczne, aby zapewnić stabilność.

P4: Czy mogę wycofać lokalną edycję w Nano Banana? Tak. Nano Banana obsługuje wersjonowanie i wycofywanie. Sprawdź poprawność każdej edycji, użyj wdrożenia kanarkowego i utrzymuj okno wycofywania, aby móc natychmiast przywrócić poprzednią wersję, jeśli wskaźniki się pogorszą.

P5: Jak skutecznie testować lokalne edycje? Utwórz pozytywne podpowiedzi, kontrfaktyczne podpowiedzi i testy warunków skrajnych, a następnie sprawdź poprawność przed aktywacją. Mierz wskaźnik zdawalności, dryf kontrfaktyczny i wskaźniki UX, takie jak CSAT, aby upewnić się, że edycja pomaga bez szkód ubocznych.