Поиск
Генеративный ИИ

Prompting

Промптинг

новинкаНовое или быстро растущее направление

Управление поведением модели через формулировку запроса, без изменения весов.

Ключевые тезисы

  • Few-shot примеры и явные инструкции сильнее общих просьб.
  • Chain-of-thought улучшает задачи с рассуждением.
  • Структурированный вывод (JSON, схемы) резко упрощает интеграцию.
Тема также относится к главам:Обработка естественного языкаЯзыковые модели

Подробный разбор

2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.

1

Работающие приёмы

Что действительно влияет на качество ответа.

  • Явная роль и задача: чем конкретнее описан результат, тем меньше разброс.
  • Few-shot примеры сильнее любых инструкций: покажите два-три образца желаемого формата.
  • Chain-of-thought («рассуждай по шагам») помогает в арифметике и логике; у рассуждающих моделей это уже встроено.
  • Структурированный вывод: попросите JSON по схеме — это резко упрощает интеграцию и парсинг.
  • Разделители: отделяйте инструкции от данных явными маркерами, чтобы содержимое документа не воспринималось как команда.
На практике

Промптинг — это тоже эксперимент. Соберите набор из 20–50 тестовых запросов с эталонами и сравнивайте версии промпта на нём, а не по ощущению от пары примеров.

2

Структурированный вывод

Как получить JSON, который всегда парсится.

{
  "тип_обращения": "жалоба | вопрос | предложение",
  "тема": "строка",
  "срочность": 1,
  "нужен_ответ_человека": true
}
Схему лучше показать примером, а не описывать словами
  • Используйте штатные механизмы структурированного вывода, если они доступны — они гарантируют валидность.
  • Всегда валидируйте результат по схеме и предусматривайте одну попытку исправления.
  • Просите модель не добавлять пояснений вокруг JSON — иначе парсер сломается на первом же ответе.

Связанные темы

Безопасность и приватность ML · Адаптация языковых моделей

Fine-tuning80%

Дообучение · Генеративный ИИ

Адаптация предобученной модели под домен или формат на собственных данных.

LoRA80%

LoRA · Генеративный ИИ

Обучение низкоранговых добавок к весам вместо полного дообучения модели.

RLHF80%

RLHF · Генеративный ИИ

Дообучение по человеческим предпочтениям: модель награды + оптимизация политики.

RAG80%

RAG · Генеративный ИИ

Подмешивание найденных документов в контекст модели вместо хранения знаний в весах.

PPO80%

PPO · Обучение с подкреплением

Устойчивый policy-gradient метод с ограничением величины обновления политики.

GPT80%

GPT · Обработка естественного языка

Авторегрессионный декодер: предсказывает следующий токен, что оказалось достаточно универсальной задачей.

Privacy and Security70%

Приватность и безопасность · Системный дизайн ML-сервисов

Персональные данные, доступы и специфические для ML риски.

Agents70%

Агенты · Генеративный ИИ

LLM, которая планирует, вызывает инструменты и итеративно движется к цели.

Data Contracts70%

Контракты данных · Инженерия данных

Явная договорённость между источником и потребителем: какие поля, каких типов и с какими гарантиями.

Monitoring70%

Мониторинг · MLOps

Наблюдение за инфраструктурой, данными и качеством предсказаний после релиза.

← Multimodal ModelsFine-tuning →