Извлечение шаблона действий из прошлого опыта LLM.

QCR (Query‑Conditioned Reuse) – техника извлечения шаблона действий из прошлого опыта LLM, вместо копирования всей истории. Что это за метод? Цель – избежать «заражения» контекста устаревшими фактами. При вставке длинной переписки модель склонна повторять конкретные имена, даты и цифры из прошлого кейса, даже если они не актуальны для новой задачи. Механизм – сначала преобразовать прошлый успешный пример в компактную заметку из четырёх полей: Workflow – неизменная последовательность действий. Bindings – конкретные значения, которые нужно заново уточнить (имена, даты, суммы). Applicability – условия, при которых шаблон не подходит. Verification – как проверить, что новая задача решена успешно. После этого модель работает только с этой заметкой и описанием новой задачи, а не со всей историей. Как это работает (пошагово) Шаг 1 – запрос к прошлому кейсу Разбери этот успешный кейс на 4 части: 1. Workflow … 2. Bindings … 3. Applicability … 4. Verification … Дай короткую заметку, без цитирования старой переписки. Модель выдаёт компактную заметку. Шаг 2 – применение к новой задаче Вот новая задача: {описание} Используй вышеуказанную заметку и реши её, не копируя конкретные значения из прошлого кейса. Модель генерирует решение с явной проверкой. Практический шаблон промпта {текст прошлой переписки/решения} Новая задача: {описание новой задачи} Разбери прошлый кейс на 4 части и дай короткую заметку (без цитирования исходного текста): 1. Workflow — последовательность действий, остающаяся актуальной. 2. Bindings — конкретные значения, которые нужно заново уточнить. 3. Applicability — условия, при которых шаблон не применим. 4. Verification — как проверить успешность решения новой задачи. Используй эту заметку, чтобы решить новую задачу – не копируй старые данные. Подставьте ваш текст и задачу. Если вы хотите ускориться: сначала спросите у модели, какой именно прошлый кейс использовать и что изменилось в новой задаче; это поможет ей правильно разделить «правило» от «значений». Ограничения и риски • Нет подходящего прошлого примера – Почему: QCR не создает опыт с нуля, только переупаковывает существующий. • Структурно разные задачи – Почему: Метод работает, когда логика остаётся той же, а меняются детали. Если новая задача требует иной стратегии, заметка не спасёт. • Неправильный выбор кейса – Почему: В чате вы сами выбираете релевантный пример; модель не делает это автоматически. • Слишком длинные «bindings» – Почему: При огромном количестве переменных может возникнуть путаница в проверке. Ключевые выводы из экспериментов На бенчмарках WebArena, WorkArena и AppWorld QCR показал снижение ошибок копирования на 30‑40 % по сравнению с прямым вставлением истории. При увеличении длины исходной переписки эффективность модели падает: длинные тексты «заражают» контекст устаревшими фактами, а QCR удерживает качество. Итог Соберите прошлый успешный кейс (переписку, код, план). Преобразуйте его в 4‑полную заметку через запрос к LLM. Вставьте эту заметку + описание новой задачи и получите решение без «старых» данных. Так вы сохраняете полезный опыт, но избавляетесь от риска копирования неверных фактов.