**Суть метода** Точность LLM падает не от «бедного» словаря, а от грамматической сложности. Длинные предложения, вложенные условия и цепочки определений запутывают модель. Лексическое разнообразие (синонимы) на результат не влияет. Пишите плоско и прямо: если правило тяжело читать вслух, модель тоже споткнётся.

**Как это работает** 1. Дробите предложения длиннее 20 слов. 2. Разворачивайте вложенные условия («если... в случае...») в плоские списки. 3. Убирайте цепочки предлогов и определений. 4. Игнорируйте тавтологию — повторы слов безвредны.

**Пример применения** *Было (запутано):* «Тикет срочный, если клиент сообщает о проблеме, которая, в случае если она не будет решена в течение суток, может привести к финансовым потерям, при условии что клиент является премиум-пользователем...» *Стало (плоско):*

Тикет срочный, если выполняется хотя бы одно условие: 1. Клиент — премиум-пользователь, и проблема ведет к финансовым потерям (срок решения до 24 часов). 2. Доступ к счету заблокирован из-за технической ошибки банка.

**Шаблон для копирования** Промпт-ревизор: Проверь мой текст на синтаксическую сложность. 1. Найди предложения >20 слов и разбей их. 2. Замени вложенные условия ("если... при условии") на маркированные списки. 3. Разорви цепочки определений. 4. Не меняй терминологию и не подбирай синонимы. Выдай упрощённую версию, сохранив изначальный смысл.

**Ключевые выводы** * Исследовано 9000 вариантов промптов на 5 открытых LLM (7-8B). * **Синтаксис** — главный убийца точности. * **Словарный запас** статистически незначим. * Точность модели можно предсказать по лингвистическим метрикам промпта *до* её запуска.

**Границы применимости** * **Домен:** Подтверждено только для бинарной классификации. Для генерации текстов, кода и креатива не проверено. * **Масштаб:** Тест на малых моделях (7-8B). Топовые LLM (GPT-4, Claude) могут быть устойчивее к синтаксису. * **Управляемость:** Целенаправленное упрощение срабатывает лишь в 30-60% случаев. arXiv: 2608.27621