Уровень сложности текста:
Простой
Сложный
Программирование
Сложное программирование
Простой
Сложный
Программирование
Сложное программирование
-
Языковые нейросети
- Прикладная методика создания промптов
-
Простые методы
Zero-Shot Prompting
- Простое получение данных
- Создание текстов (копирайтинг)
- Вычисления
- Суммирование чисел
- Расчеты
- Советы
- Творчество
- Краткое содержание
- Замена текста
- Написание текста по шаблону
- Оценка текста
- Структурирование информации
- Выводы по
Zero-Shot prompting
- Few-Shot
(несколько примеров) - Directional Stimulus
(скрытая подсказка) - System 2 Attention
(осознанное внимание)
- Chain-of-Thought
(цепочка мыслей) - Self-Ask
(уточняющие вопросы) - Tree of Thoughts
(дерево мыслей) - Least-to-Most
(последовательность) - Step-Back
(возращение назад) - Decomposition
(декомпозиция)
- Self-Consistency
(самосогласованность) - Chain-of-Verification
(цепочка проверки) - Reflexion
(размышление)
Методы оптимизации промптов
Специальные методы
- Analogical Prompting
(аналогии) - Semantic Priming
(словесная подготовка) - Emotion Prompting
(эмоции) - Begging Prompting
(просящие) - Constrained Prompting
(ограничения) - Structured Output
(формат) - Style Transfer
(стиль) - Tone Control (тон)
- Temperature (температура)
- Loop (цикл)
- Perspective-Taking
(точка зрения) - Audience-Tailored
(целевая аудитория) - Goal-Oriented
(преследуемая цель) - Strict Data-Only
(антигалюциноген)
- Зачем вообще понимать
как ИИ видит диалог
За гранью промптов: - Что такое контекст
для языковой модели - Как устроен типичный
интерфейс ИИ - Почему модель
забывает и путается - Как интерфейс ИИ
может улучшать контекст - Что может делать
сам пользователь - Как всё это
выглядит на примере - Почему ИИ бывает
«подпевалой» - Статистическая ловушка
«Матрицы» (Sci-Fi Bias) - Дефицит смысла
(Common Sense) - Эффект слепой середины
(Lost in the Middle) - Самоотравление ИИ
(Model Collapse) - Куда всё движется дальше
как мыслит ИИ
Self-Ask (уточняющие вопросы)
Модель задаёт сама себе уточняющие вопросы перед формулировкой ответа. Вы даете сложный вопрос, модель анализирует его и разбивает на подвопросы, отвечает на них по очереди и формулирует итоговый результат.
От CoT отличается тем, что не показывает рассуждения, а задает конкретные вопросы. Улучшает точность ответов на сложные вопросы на 15-30%. Особенно полезен для многоэтапных фактологических вопросов (даты, места, имена), где важна поэтапная проверка. Хорошо работает для исследования темы в глубину.
Промпт:
×
![]()