Техники, которые реально помогают
Конкретика по формату, объёму и аудитории всегда побеждает размытый запрос — «напиши summary на 3 пункта для нетехнического руководителя» даёт более сразу применимый ответ, чем «сделай summary», потому что модели больше не нужно угадывать, какую форму вывода вы реально хотите.
Дать модели небольшое число примеров именно того паттерна вход/выход, который вам нужен («few-shot prompting»), — один из самых надёжных рычагов: это работает, потому что модель очень хороша в продолжении паттерна, который ей только что показали, лучше, чем в угадывании невысказанного.
Как заставить модель рассуждать перед ответом
Просьба к модели «подумать шаг за шагом» перед итоговым ответом (chain-of-thought prompting) измеримо повышает точность на задачах с несколькими логическими шагами — математика, многошаговые рассуждения, всё, где прыжок сразу к выводу пропускает работу, которую модели реально нужно проделать.
Для задач с реально правильным форматом ответа, дать модели способ проверить свою же работу — «прежде чем финализировать, сверь каждый шаг с X» — ловит реальную долю ошибок, которые пропустил бы первый проход, тем же способом, каким человек, вычитывающий собственный текст, ловит то, что пропустил черновик.
Что промпт-инжиниринг не может исправить
Никакая хитрая формулировка не заставит модель надёжно знать то, на чём её никогда не обучали и что ей неоткуда посмотреть — промпт может формировать то, как модель отвечает, а не производить факты, к которым у неё нет доступа; это задача retrieval (RAG), а не промптинга.
Промпт, который хорошо работает на одной версии модели, не гарантированно сработает так же на следующей — модели обновляются, и промпты, подстроенные под очень специфичные особенности одной версии, ломаются в первую очередь; техники выше (конкретика, примеры, просьба рассуждать) обычно переживают апгрейды моделей, потому что не эксплуатируют особенность, а просто дают более ясные инструкции.