Часть 1 За последний год prompt engineering стал отдельным направлением в работе с LLM - от простых инструкций до сложных цепочек рассуждений и адаптивных системных промптов. Я постарался собрать основные виды промптов, которые реально могут улучшить результат на данный момент при работе с LLM.

1. SYSTEM PROMPTING Системный промпт — это "установка контекста" для модели. Он задаёт роль, стиль и общие правила поведения. Пример: «Ты — аналитик данных, отвечай кратко и с примерами на Python». Используется для того, чтобы управлять личностью и форматом вывода модели на уровне ядра.
2. ROLE PROMPTING Позволяет задать персонаж или роль, от имени которой модель рассуждает: разработчик, преподаватель, эксперт и т.д. Это усиливает контекст и помогает получать более точные ответы в нужной манере.
3. INSTRUCTION WITH CONSTRAINTS Инструкция, где явно прописываются правила, формат и ограничения. Пример: «Ответь в JSON-формате с тремя ключами: title, summary, keywords». Полезно при интеграции LLM в production-системы, где требуется строго структурированный вывод.
4. NEGATIVE PROMPTING Указывают, чего модель делать не должна. Пример: «Не используй технический жаргон и не упоминай названия библиотек». Метод часто применяется в генерации изображений и текстов для контроля стиля и тона.
5. Zero-shot prompting Модель решает задачу без примеров — только на основе инструкции. Пример: «Составь краткое резюме текста». Используется для быстрых запросов без контекста, но может давать нестабильные результаты.
6. Few-shot prompting Добавляем примеры ввода и вывода, чтобы показать модели ожидаемый формат. Следует показать 2–3 примера правильных ответов перед запросом. Обычно даёт более надёжные результаты, особенно для задач классификации и форматирования.
7. Chain-of-Thought (CoT) Модель проговаривает свои логические шаги перед ответом. Пример: «Пошагово рассуждай перед тем, как дать итог». Используется для повышения точности и интерпретируемости в сложных задачах рассуждения.
8. Self-Consistency Prompting Вместо одного ответа модель генерирует несколько цепочек рассуждений, а потом выбирается наиболее частый или логичный результат. Это повышает стабильность и достоверность ответов.
9. Least-to-Most Prompting Модель сначала решает простые подзадачи, а потом объединяет их в решение сложной задачи. Подход «снизу вверх» — помогает LLM лучше справляться с многошаговыми задачами.
10. Step-Back Prompting Просим модель отступить на уровень выше и оценить задачу в целом, прежде чем отвечать. «Прежде чем отвечать, объясни, как бы ты подошёл к этой задаче». Помогает избежать локальных ошибок и улучшает качество reasoning.
11. Prompt Chaining Создание цепочки промптов, где каждый шаг использует результат предыдущего. Часто применяется в приложениях с контекстным состоянием или пошаговыми пайплайнами.