這三天總共會介紹以下六種設計模式在 GenAI 的應用，今天進入到第三天：

裝飾器模式 (Decorator)

1. 介紹：是一種結構型設計模式，允許動態地給現有對象添加新的功能，而不需要改變其結構。這種模式通過創建一個包裝原有對象的裝飾器對象來實現。
2. Gen AI 應用情境：
   • 數據預處理管道：動態組合不同的數據清理、轉換或增強步驟。
   • 模型功能擴展：為現有的模型添加額外的功能，如日誌記錄、性能監控或輸入驗證。
   • 動態特徵工程：根據需要動態添加或移除特徵工程步驟。
   • 模型輸出後處理：對模型輸出進行動態的後處理，如格式化、過濾或增強。
   • 模型測試實驗：通過裝飾器動態修改模型或訓練過程的行為，便於進行 A/B 測試或超參數調整。
   • API 功能擴展：在不修改核心邏輯的情況下，為 AI 服務的 API 添加認證、速率限制或響應轉換等功能。
3. 案例與說明：使用裝飾器模式實現文本處理管道的範例。

import string
from functools import wraps

def lowercase(func):
    @wraps(func)
    def wrapper(text):
        return func(text).lower()
    return wrapper

def remove_punctuation(func):
    @wraps(func)
    def wrapper(text):
        return func(text).translate(str.maketrans("", "", string.punctuation))
    return wrapper

def tokenize(func):
    @wraps(func)
    def wrapper(text):
        return " ".join(func(text).split())
    return wrapper

@tokenize
@remove_punctuation
@lowercase
def process_text(text: str) -> str:
    return text

def main():
    text = "Hello, World! This is an Example."
    processed_text = process_text(text)
    print(f"Original text: {text}")
    print(f"Processed text: {processed_text}")

if __name__ == "__main__":
    main()

1. 我們定義了三個裝飾器函數：lowercase、remove_punctuation 和 tokenize。每個裝飾器都封裝一個文本處理步驟。
2. @wraps(func) 裝飾器用於保留原函數的元數據。
3. process_text 函數使用了以上三個裝飾器，形成了一個處理流程：先轉小寫，然後移除標點符號，最後進行分詞。
4. 裝飾器的應用順序是從下到上的，這意味著文本首先會被轉換為小寫，然後移除標點符號，最後進行分詞。
5. 主程序演示了如何使用這個處理管道來處理文本。

策略模式 (Strategy)

1. 介紹：是一種行為設計模式，它定義了一系列算法，將每個算法封裝起來，並使它們可以相互替換，用於動態選擇不同的處理策略。
2. Gen AI 應用情境：
   • 模型選擇：根據輸入數據的特性或任務需求，動態選擇不同的機器學習模型。
   • 特徵工程策略：根據數據類型或分析目標，選擇不同的特徵提取和選擇方法。
   • 數據預處理策略：根據數據質量和任務要求，選擇不同的數據清理和轉換策略。
   • 超參數優化：實現不同的超參數搜索策略，如網格搜索、隨機搜索或貝葉斯優化。
   • 文本嵌入策略：根據任務需求選擇不同的文本嵌入方法，如 Word2Vec、BERT 或自定義嵌入。
   • 模型集成策略：實現不同的模型集成方法，如投票、平均或堆疊。
3. 案例與說明：使用策略模式實現不同檢索策略的範例。

from abc import ABC, abstractmethod

class DatabaseRetrievalStrategy(ABC):
    @abstractmethod
    def retrieve(self, query: str) -> str:
        pass

class SQLDatabaseStrategy(DatabaseRetrievalStrategy):
    def retrieve(self, query: str) -> str:
        return f"從 SQL 資料庫檢索：執行 SQL 查詢 '{query}'"

class NoSQLDatabaseStrategy(DatabaseRetrievalStrategy):
    def retrieve(self, query: str) -> str:
        return f"從 NoSQL 資料庫檢索：使用 key-value 查詢 '{query}'"

class InformationRetriever:
    def __init__(self, strategy: DatabaseRetrievalStrategy):
        self.strategy = strategy

    def set_strategy(self, strategy: DatabaseRetrievalStrategy):
        self.strategy = strategy

    def search(self, query: str) -> str:
        return self.strategy.retrieve(query)

# 使用範例
def main():
    retriever = InformationRetriever(SQLDatabaseStrategy())
    print(retriever.search("SELECT * FROM users"))  # 使用 SQL 資料庫
    
    retriever.set_strategy(NoSQLDatabaseStrategy())
    print(retriever.search("user:123"))  # 使用 NoSQL 資料庫

if __name__ == "__main__":
    main()

1. DatabaseRetrievalStrategy 是一個抽象基類，定義了檢索策略的接口。
2. SQLDatabaseStrategy 和 NoSQLDatabaseStrategy 是具體的策略類，實現了特定類型數據庫的檢索邏輯。
3. InformationRetriever 類使用策略模式，可以動態設置和切換不同的檢索策略。
4. 主程序呈現了如何使用 InformationRetriever 來執行不同類型數據庫的檢索。

設計模式的部份就告一個段落了。

ref.
Refactoring.Guru | design-patterns