Что это за метод? SMA – система, в которой LLM‑агент после каждой решённой задачи формирует компактный урок (паттерн + ловушка + проверка), сохраняет его и использует при новых похожих задачах. Главная идея: не полагаться только на смысловую близость, а учитывать, насколько правило реально помогло в прошлом – через «балл надёжности», который растёт/падает по результатам применения. Как работает SMA (логика) 1. Решение задачи Агент выдаёт ответ и получает оценку (правильно/неправильно). 2. Формирование урока Из результата формируется правило: — Паттерн: тип ситуации — Ловушка: тип ошибки, которую можно допустить — Проверка: что проверить перед применением Ответ не копируется в урок. 3. Сохранение Урок помещается в базу с начальным баллом надёжности (обычно 0). 4. Выбор советов для новой задачи Фильтр по смысловой похожести → отобрать топ‑N (например, 3) уроков. Среди них сортировать по баллу надёжности и взять только те, которые доказанно чаще помогали. 5. Обновление балла После применения: Если совет оказался полезным → балл +1. Иначе → балл –1 (или более сильный штраф). Пример применения Задача: Фрилансер пишет холодные письма B2B. Шаг 1–2 (после каждой кампании): Я отправил письмо клиенту из SaaS‑ниши. Результат: не получил ответа. Сформулируй урок: — Паттерн: холодные письма в SaaS — Ловушка: слишком длинный вводный абзац — Проверка: длина первого абзаца ≤ 50 слов Шаг 3–4 (новая кампания): Фильтр по теме → 5 похожих уроков. Сортировка по баллу надёжности → топ‑3 берутся в промпт: «Не делай длинный ввод; проверяй длину» и т.д. Шаблоны промптов: 1️⃣ После задачи (создание урока) Я решал задачу: {описание задачи}. Результат: {что получилось / оценка успеха или провала}. Сформулируй компактный переносимый урок для похожих задач в будущем, в такой структуре: — Паттерн: тип ситуации — Ловушка: какую ошибку легко допустить — Проверка: что проверить перед тем как дать ответ Не повторяй сам ответ — дай только общий принцип. 2️⃣ Перед новой задачей (выбор советов) Я решал задачу: {описание задачи}. Результат: {что получилось / оценка успеха или провала}. Сформулируй компактный переносимый урок для похожих задач в будущем, в такой структуре: — Паттерн: тип ситуации — Ловушка: какую ошибку легко допустить — Проверка: что проверить перед тем как дать ответ Не повторяй сам ответ — дай только общий принцип. Вот база уроков из прошлых похожих задач: {список уроков, для каждого — сколько раз он реально помог / не помог} Новая задача: {описание задачи}. Выбери из уроков выше только те, что доказанно чаще помогали (а не просто похожи по теме), и используй их как руководство при решении новой задачи.

Управление параметрами • Кол-во уроков в промпте – Что влияет: токены, точность. Как настроить: 3–5 для сложных задач; 1–2 – простые. • Баланс похожести/надёжности – Что влияет: приоритет полезного опыта. Как настроить: 50 %/50 % по умолчанию; смещать к надёжности, если база большая. • Формат урока – Что влияет: понятность. Как настроить: сохраняйте паттерн‑ловушка‑проверка, но адаптируйте под свою область.

Ограничения и риски Ручная дисциплина – без автоматической статистики балл надёжности нужно вести вручную; работает только при большом объёме задач. Требуется чёткая метрика успеха – метод проверялся на задачах с бинарной оценкой (правильно/неправильно). Для творческих задач оценка «помог» может быть субъективной. Отсутствие эффекта в начале – пока база уроков пуста, SMA не превосходит обычный поиск похожих примеров. Плюсы видны после накопления 20–30 проверенных правил.

Ключевые выводы из экспериментов • Успех решения – Результат SMA vs. baseline: +12 % (средний прирост). • Сокращение токенов – Результат: 18 % при использовании топ‑3 советов. • Надёжность урока – Результат: средний балл надёжности вырос до 0.73 после 50 итераций.

Продолжение в комментарии.