Recherche (V)

12.2.2. Recherche (V)#

Julia prüft für jedes Teilproblem, ob es dafür bereits ein Python-Paket (oder sogar eine „Komplettlösung“) gibt. Ein LLM kann diese Recherche beschleunigen – aber Julia bleibt verantwortlich dafür, die Vorschläge kurz zu verifizieren.

Tipp

Julia bittet das LLM immer um Links zur offiziellen Doku (oder PyPI) und darum, keine Pakete zu „erfinden“. Recherche heißt: Vorschläge sammeln, vergleichen, entscheiden.

12.2.2.1. Beispielprompt für die Recherche#

Ich will ein Python-Programm schreiben, das Messdaten auswertet. Ich habe die Aufgabe in Teilprobleme zerlegt:

| Teilproblem | Input | Transformation (grob) | Output | Abhängigkeiten |
|---|---|---|---|---|
| 1 Visualisierung | Messdaten | Daten aufbereiten → geeignete Visualisierung erstellen | Plot(s) zur Verteilung | 3 Daten einlesen |
| 2 Statistik-Tabelle | Messdaten | Kennzahlen berechnen (z. B. Mean/Median/Quantile; insbesondere Quartile (Q1, Median, Q3)) → tabellarisch darstellen | Tabelle mit Kennzahlen | 3 Daten einlesen |
| 3 Daten einlesen & vorbereiten | Datei mit Messdaten | Datei finden/öffnen → parsen → bereinigen/validieren | Daten im Programm (z. B. Liste/Array/DataFrame) | — |

Kennst du Python-Pakete, die diese Aufgaben bereits abdecken? Gibt es ein Paket, das möglichst viele Teilprobleme gleichzeitig löst?

Bitte antworte so:
1) Paket-Vorschläge pro Teilproblem (jeweils mit Link zur offiziellen Doku oder PyPI + 1 Satz Begründung).
2) Empfehlung: “Minimal-Stack” (wenige Pakete) vs. “komfortabel” (mehr Features).
3) Ein kurzes Beispiel-Skript (mit Imports), das:
   - die CSV einliest,
   - fehlende Werte sinnvoll behandelt,
   - Kennzahlen berechnet,
   - mindestens eine einfache Visualisierung erzeugt.
4) Falls möglich: `pip install ...` Zeile(n).

Die Messdatei ist eine CSV und sieht so aus (erste Zeilen):

datetime,station_antwerp,station_paris,station_london
2019-05-07 02:00:00,,,23.0
2019-05-07 03:00:00,50.5,25.0,19.0
2019-05-07 04:00:00,45.0,27.7,19.0
2019-05-07 05:00:00,,50.4,16.0
...

12.2.2.2. Beispielantwort#

../../_images/response-1.png

Abb. 12.4 Beispielantwort - Teil 1 (LLM-Recherche).#

../../_images/response-2.png

Abb. 12.5 Beispielantwort - Teil 2 (LLM-Recherche).#

../../_images/response-3.png

Abb. 12.6 Beispielantwort - Teil 3 (LLM-Recherche).#

Am besten probieren Sie den Prompt selbst aus.

Wichtig ist: Das LLM wird Julia viele Paketvorschläge machen. Das ist hilfreich, aber Julia muss entscheiden, ob diese Pakete für ihr Umfeld wirklich taugen.

Zum Beispiel:

  • Wie werden die Pakete gewartet?

  • Sind die Pakete gut getestet?

  • Sind sie einfach installierbar?

  • Wie komplex darf das System werden? Reicht eine Minimal-Variante?

Selbst mit Recherche und Beispielskript bleiben meist Fragen offen. Außerdem kann das LLM in der Regel keine Schnittstellenarbeit übernehmen.

In diesem Fall heißt das:

  • Julia muss sicherstellen, dass die Datei an einer Stelle liegt (oder erreichbar ist), auf die ihr Programm zugreifen kann.

12.2.2.3. Julias Entscheidung: Minimal-Stack (V)#

Julia entscheidet sich zunächst für eine Minimal-Variante: wenige neue Pakete, überschaubare Komplexität. Sie wählt daher „pandas und matplotlib“ – Werkzeuge, die verbreitet sind und die sie bereits kennt.

12.2.2.4. Recherche-Checkliste (V)#

  • Julia fordert Links zu offizieller Doku oder PyPI an, statt sich auf Namen zu verlassen.

  • Julia prüft kurz Wartung, Qualität und Installierbarkeit, bevor sie ein Paket übernimmt.

  • Julia entscheidet bewusst zwischen „minimal“ (wenig Abhängigkeiten) und „komfortabel“ (mehr Features).

  • Julia klärt die Datenquelle (Pfad/URL) als eigene Schnittstellenaufgabe.

12.2.2.5. Kurz zusammengefasst (V)#

  • Julia nutzt das LLM als Recherchehilfe, nicht als Entscheidungsträger.

  • Julia priorisiert einen Minimal-Stack, um schnell und robust starten zu können.

Inhalt