Не пишите промпты руками

Не стоит ограничиваться написанием промптов только вручную. Это упущение для эксперта.

Мнение, что оператор должен обладать высокой инженерной квалификацией для «правильного» промпта, зачастую упускает из виду фундаментальные принципы эффективного взаимодействия с ИИ. Фактически — самые основы. Настолько не понимают, что порой хочется помочь, но потом осознаёшь — бесполезно.

Вместо буквального написания детализированного промпта, ключевая задача организатора — определить и задать чёткие критерии достижения цели. Модель ИИ, в свою очередь, может самостоятельно формировать и уточнять промпт. Это известная техника — итеративный промптинг, где ИИ улучшает запрос к самому себе.

При написании промпта только вручную вы непреднамеренно ограничиваете результат рамками своего текущего видения и знаний о задаче. Концепции, о которых вы не осведомлены — например, «exactly once», отказоустойчивость или достижение консенсуса — могут быть упущены из формулировки. Полагаясь только на свой начальный промпт, вы рискуете получить ограниченный результат.

Или будете вынуждены сначала как-то отдельно всё узнать, чтобы вписать это в промпт. Путь, конечно, рабочий, но катастрофически неэффективный. Результат будет ограничен вашей текущей компетентностью. Это приемлемо для личных задач, но не для промышленных решений.

Некоторые пытаются выкрутиться промптами вида (например): «представь, что ты опытный архитектор и учти все нюансы». Но очевидно, это — магия, а не промышленный результат. Стохастика модели вам всё похерит.

Вместо этого рассмотрим более эффективный подход:

Определите результат.
– Если вам нужно, чтобы приложение поднималось после падения — так и напишите. Не думайте, как это будет сделано.
– Если вам нужно, чтобы ИИ каким-то образом получал ошибки с прода и фиксил их в локальном окружении — так и напишите. Не надо описывать, как именно.
– Если вам нужно, чтобы разные файлы данных имели совместимую структуру — так и напишите. Не надо описывать, какую именно.

Затем используйте модель для самостоятельного промптинга до тех пор, пока она не достигнет заданного результата. Это включает процесс, когда модель генерирует промпт, выполняет его, оценивает полученный результат (сравнивая с вашими критериями) и итерирует при необходимости. Такая методика позволяет модели исследовать аспекты и генерировать формулировки, которые человек мог бы не учесть, значительно улучшая качество запроса и результата. Важно обеспечить физическую запись всех действий модели, а не ограничиваться контекстным окном.

Переживаете за токены? — Делайте это под присмотром или воткните ограничение бюджета.

Как правило, уже после 10–15 итераций формируется промпт, который значительно превосходит тот, что можно было бы создать изначально. Эти промпты часто демонстрируют глубокое понимание задачи и оригинальность подхода, превосходящие человеческое предвидение. Это подтверждает эффективность ИИ в улучшении собственных запросов.

В соседних постах я описывал построение структурированного графа знаний по Таненбауму. Принцип тот же: оператору не нужно ДУМАТЬ, как правильно описать системную архитектуру. Правильные архитектурные решения там уже подложены под модель в виде фундаментального knowledge graph. И когда модель решает любую проектную задачу — она самостоятельно идёт по заданной канве, сверяя свои решения с «фундаментом». Неважно, откуда фундамент — из книги или нагенерирован в цикле селф-промптинга.

Автоматически. Зачем в этом процессе человек? Скрипач не нужен. Модель прекрасно справится сама. Без вашего участия в промпте.