Пошук уроків, статей та іншого контенту
Практичні техніки формулювання запитів до мовних моделей, які реально покращують результат.
Мовна модель (стаття «Що таке LLM») не «знає» намір користувача — вона продовжує текст запиту найімовірнішим для неї способом. Розпливчастий запит дає розпливчасту, узагальнену відповідь; конкретний, структурований запит різко підвищує шанс отримати саме те, що потрібно. Prompt engineering — практика свідомого формулювання запитів для отримання кращих результатів.
Замість «поясни React hooks» — вкажіть аудиторію, обсяг, формат:
Погано: "Поясни React hooks"
Краще: "Поясни useState для розробника, що знає JavaScript, але вперше бачить React.
Дай визначення в 2 реченнях, один короткий приклад коду та одну поширену помилку початківців."Коли потрібен специфічний формат виводу, часто ефективніше показати 1-2 приклади бажаного результату, ніж описувати формат словами:
Перетвори назви змінних у camelCase формат:
user_name -> userName
first_login_date -> firstLoginDate
total_items_count -> ?Задання моделі «ролі» на початку запиту (наприклад, «Ти — досвідчений рецензент коду») задає рамку відповіді — модель узгоджує тон, рівень деталізації й фокус із заданою роллю:
Ти — досвідчений TypeScript-розробник, що робить код-рев'ю.
Переглянь цю функцію та вкажи потенційні проблеми з типізацією:
[код]Для задач, що вимагають кількох кроків міркування (математика, логіка, багатоетапна діагностика бага), явна вказівка розписати проміжні кроки перед фінальною відповіддю часто підвищує точність — модель «використовує» власний проміжний текст як контекст для наступного кроку:
Фраза на кшталт «Поясни свій хід міркувань крок за кроком, перш ніж дати фінальну відповідь» — простий, але часто ефективний спосіб покращити результат для складних задач, де пряма відповідь без проміжних кроків частіше помиляється.
Занадто розпливчастий запит без контексту про аудиторію, формат чи обсяг очікуваної відповіді.
Один величезний запит замість розбиття складної задачі на послідовність менших, конкретних запитів.
Сліпа довіра до фактичних тверджень моделі без перевірки — особливо для конкретних API, версій бібліотек чи цифр, де модель може «галюцинувати» правдоподібно звучну, але неправильну відповідь.
Формулювання запиту напряму впливає на якість відповіді, тому що модель просто продовжує наданий текст найімовірнішим для себе способом — розпливчастий вхід дає розпливчастий вихід. Конкретність щодо аудиторії й формату, приклади бажаного результату (few-shot), заданя ролі та прохання розписати проміжні кроки міркування (chain of thought) — прості, перевірювані техніки, які системно покращують результат для складніших задач.