Часть 2. Типы промптов в разработке с LLM 12)  Prompt Chaining with Feedback Loops Более продвинутый вариант: модель анализирует собственный ответ, дорабатывает или исправляет его. Подходит для итеративных систем с самокоррекцией (например, AI-агенты). 13) Meta-Prompting Используется для управления самим процессом промпт-инжиниринга. Модель получает инструкцию о том, как ей строить промпты для других задач. Применяется при создании автогенераторов промптов или обучении ассистентов. 14) Tree-of-Thoughts (ToT) Вместо одной цепочки рассуждений — дерево возможных решений. Модель исследует несколько путей параллельно, оценивает и выбирает лучший. Идея вдохновлена деревьями поиска в классическом ИИ. 15) ReAct (Reasoning and Acting) Модель рассуждает и действует: чередует размышления с выполнением действий (поиск, запрос API, вычисления). Используется в агентных системах и инструментах вроде LangChain. 16) Generated Knowledge Prompting Перед ответом модель генерирует справочные знания (вспомогательный контекст), а затем использует их для решения задачи. Повышает точность в областях с неполной информацией. 17) Retrieval-Augmented Generation (RAG) Модель обращается к внешним базам знаний, чтобы дополнить ответ актуальной информацией. Это стандарт для корпоративных чатботов и систем на документах. 18) Program-Aided Language Models (PAL) LLM генерирует код или выражения, которые выполняются внешней программой. Используется, когда нужно точное вычисление или проверка гипотезы. 19) Optimization by Prompting (OPRO) Модель сама оптимизирует свои промпты, тестируя разные варианты и выбирая лучший. Автоматизация prompt tuning без fine-tuning модели. 20) Directional Stimulus Prompting (DSP) Новый подход: промпт задаёт направление рассуждения, но не конкретное решение. Позволяет направлять LLM к нужному выводу, сохраняя гибкость мышления. 21) LLM Deception Detection Prompting Методы, направленные на распознавание ложных или манипулятивных ответов модели. Применяются в исследованиях безопасности LLM и AI alignment. 22) Emotional Prompting Добавление эмоционального контекста («представь, что ты вдохновляешь студента, это очень важно!»).