Корнеллский университет вывел общепринятую шкалу категоризации промтов:
- Семантика ввода. Пользователь задаёт модели правила, которые она запоминает и учитывает при ответе. Это позволяет упростить синтаксис и сэкономить время. Пример запроса: «Запомни, когда я попрошу построить маршрут из точки А в Б, я введу только названия городов, а ты подставишь их вместо А и Б».
- Настройка вывода информации. Можно попросить модель выдавать информацию по шаблону. Сначала нужно загрузить в нейросеть правила, а потом указать в запросе, когда их использовать. Например: «Разбей ответ на три колонки и заполни таблицу, используя следующие показатели и шаблон».
- Идентификация ошибок. Опасно копировать ответы модели без дополнительной проверки. Можно попросить нейросеть привести источники и факты, на основании которых она составила ответ. А ещё она умеет задавать уточняющие вопросы, они помогут пользователю скорректировать промт и получить более точный результат.
- Улучшение подсказок. Иногда модель отказывается отвечать. Тогда можно использовать разные приёмы, чтобы обойти её ограничения. Например, на запрос «указать мотивы в образовании у подростков» она выдаёт пять основных пунктов. А когда пользователь просит уточнить их, говорит, что нет информации. Чтобы пробить этот барьер, стоит поговорить с нейросетью и позволить ей задать уточняющие вопросы.
- Взаимодействие. К этой категории могут относиться задачи, когда нужно сгенерировать бесконечное количество маркетинговых слоганов или креативов по определённому правилу. Чтобы не вставлять шаблон каждый раз, можно сказать модели: «Генерируй мне ответы без остановки по заданному правилу».
- Управление контекстом. Пригодится, когда нужно исключить из ответа некоторые источники. Например, вы исследуете российскую аудиторию и не хотите видеть информацию о людях из других стран. Тогда можно задать нейросети условие: «Подготовь мне ответ, не включая зарубежные источники». Так отсекается ненужный контекст — и модель выдаёт результат с учётом данных, которые важны для пользователя.