От неопределенного к точному: усовершенствование одного запроса в три осмысленных этапа

Большинство слабых результатов работы нейросетей возникают не из-за самой слабой модели, а из-за запросов, которые заставляют модель догадываться. Самый быстрый способ это понять — взять один запрос и постепенно его улучшать, отслеживая, как каждое изменение уменьшает необходимость догадок. Ниже приведена одна повседневная задача в трех версиях: к концу вы увидите повторяющийся шаблон преобразования ваших часто используемых запросов в такие, чьи результаты требуют минимальной или совсем не требуют правки.

Задача на протяжении всего примера: составить пост в LinkedIn с объявлением об обновлении продукта.

Этап один: запрос в том виде, в котором его обычно пишут

Первая версия — это та, которую почти все отправляют.

Write a LinkedIn post about our new feature launch.

Здесь нет ничего неверного, но почти ничего не указано. Не определено никакая роль для модели, нет описания функции, целевой аудитории, тона или формата. Единственные указания — «пост в LinkedIn» и «запуск функции», поэтому модель заполняет все пробелы своими наиболее безопасными, универсальными стандартами. В результате получается отшлифованный корпоративный текст, который может использоваться для анонса любого продукта.

Второй этап: предоставление фактов

Во второй версии модели сообщают о том, что на самом деле произошло.

Write a LinkedIn post about our new feature launch. We just added dark mode to our app, and users have been asking for it for months. Keep it casual.

Это действительно значимое улучшение. Теперь модель знает, что речь идет о режиме темного цвета, который пользователи давно хотели видеть, а формулировка «сохранить непринужденный стиль» помогает избежать оттенков пресс-релиза. Однако все еще отсутствуют четко определенный автор, ограничения по формату и ясная цель помимо простого «написать пост». Поэтому модели все еще приходится самой решать, насколько длинным должен быть текст, стоит ли добавить призыв к действию и в каком тоне следует писать.

Для многих людей на этом этапе процесс формулировки запроса заканчивается, и получаемый результат обычно приемлем. Однако приемлемый — это еще не лучший возможный результат.

Третий этап: указание роли, цели, формата и ограничений

В окончательной версии запрос делится на две части. Сначала указывается роль, которая определяет тон текста:

Act as a founder writing a personal, low-key LinkedIn update, not a marketing announcement.

Затем следует структурированный краткий описание, в котором указываются контекст, цель, формат и конкретные исключения. Он помечается как обычный текст, а не YAML; размещение каждой метки на отдельной строке облегчает парсинг разделов.

Context: We just shipped dark mode after users requested it for months. This is a small update, not a major launch, so it shouldn't be hyped up.Objective: Announce the update in a way that feels like a genuine update from a builder, not corporate copy, and invite people to try it and share feedback.Format: Under 100 words. No emojis. End with a direct, casual question rather than a call to action button.Constraints: Do not use the words "excited," "thrilled," or "game-changer." Do not use hashtags.

Польза заключается не просто в увеличении длины запроса. Все неоднозначности, оставшиеся после второго этапа, теперь устранены: модель знает, кто говорит, какого тона следует избегать, каков лимит слов, как заканчивать текст, а также какие слова и хэштеги запрещены. Когда остается мало возможностей для догадок, остается мало шансов сделать ошибку.

Особое внимание стоит уделить отрицательным ограничениям. Перечисление запрещенных слов, таких как «взволнованный» или «изменяющий правила игры», часто является наиболее эффективным способом устранения клише, делающих генерируемый текст узнаваемым, поскольку это напрямую влияет на наиболее вероятные стандартные параметры модели.

Почему второй шаг важнее первого

Переход от первого этапа к второму добавил контекст. Переход от второго к третьему привнёс структуру: определение роли, чёткий формат и ограничения по тому, чего следует избегать. Второй шаг обычно оказывает более сильное воздействие, чем ожидают люди, поскольку эти два элемента выполняют разные функции. Контекст указывает модели, что является истиной. Структура показывает ей, как выглядит хороший результат.

Это различие также влияет на то, куда направлены ваши усилия. При использовании двухэтапного подхода вы обычно корректируете форму результата после его получения: укорачиваете текст, убираете излишний пафос, переписываете концовку. При трехэтапном подходе вы заранее описываете желаемую форму, поэтому необходимость в редактировании практически исчезает. Если вам нужна более полная шаблонная структура для производственных систем, ознакомьтесь с нашей семислойной структурой для промптов LLM.

Следует учитывать один важный момент: не каждый промпт требует полноценной обработки. Для временных вопросов достаточно двухэтапного подхода. Структурированный вариант оправдывает себя для промптов, которые вы используете повторно, деличетесь ими с командой или на которых основываетесь для текстов, предназначенных для публики.

Примените эту схему к своим промптам

Выберите промпт, который вы отправляете регулярно, такой, который можете почти напечатать из памяти, и повторите упражнение:

• Сначала укажите контекст: факты, которые модель не может узнать сама.
• Укажите роль, определяющую голос или точку зрения.
• Укажите формат: длину, структуру и то, как должен заканчиваться результат.
• Укажите одно-два четких исключения: слова, стили или элементы, которые следует исключить.

Как правило, первые две версии все еще требуют редактирования, в то время как третья уже близка к готовности.

Основные выводы

• Простой запрос заставляет модель заполнять пробелы с помощью стандартных значений по умолчанию.
• Контекст повышает точность, но не определяет, что означает «хорошая работа».
• Роль, цель, формат и ограничения превращают запрос в техническое описание.
• Отрицательные ограничения — это дешевый и эффективный способ избавления от клише.
• Инвестируйте в структуру для запросов, которые вы используете повторно; сохраняйте спонтанные вопросы простыми.