Одна из самых полезных привычек при работе с нейросетями заключается в том, чтобы не ограничиваться правилами, а показывать модели примеры.
Большинство пользователей пишут промпты примерно так:
Пиши проще.
Не используй канцеляризмы.
Сделай текст живым и понятным.
Проблема в том, что подобные инструкции допускают множество трактовок.
Что именно считать канцеляризмом?
Насколько сильно нужно упрощать текст?
Какие формулировки являются удачными, а какие — нет?
Человек обычно понимает это интуитивно. Нейросеть — нет.
Поэтому в ситуациях, где важна точность результата, полезно показывать не только правила, но и конкретные примеры.
Пример всегда понятнее правила
Представьте, что вы объясняете новому сотруднику требования к документу.
Можно написать десять страниц инструкций.
А можно показать один хороший образец.
Очень часто второй способ оказывается эффективнее.
С нейросетями происходит примерно то же самое.
Если вместо абстрактного:
Пиши простым языком.
показать:
Хорошо:
Компания закрыла проект из-за отсутствия финансирования.
Плохо:
Реализация проектной деятельности была прекращена ввиду недостаточности финансового обеспечения.
то модель намного лучше понимает, какой именно стиль вы считаете удачным.
Именно на этом принципе построена техника few-shot prompting — подход, при котором модели показывают несколько примеров желаемого результата перед выполнением основной задачи. Она считается одной из самых эффективных техник промптинга и рекомендуется большинством разработчиков современных языковых моделей.
Антипримеры зачастую важнее примеров
Многие пользователи показывают только хорошие варианты.
Но на практике огромную пользу приносят именно антипримеры.
То есть примеры того, как делать НЕ нужно.
Например:
Хорошо:
Текст должен быть написан короткими предложениями.
Плохо:
Текст должен представлять собой совокупность сложноподчинённых конструкций, затрудняющих процесс восприятия информации читателем.
Антипример помогает обозначить границы допустимого.
Фактически вы не только показываете цель, но и рисуете забор вокруг неё.
Это особенно полезно в задачах, связанных со стилем, маркетингом, редактурой и деловой перепиской.
Примеры позволяют передавать стиль
Очень часто люди пытаются описать стиль словами:
Пиши как опытный автор.
Пиши живо.
Пиши интересно.
Проблема в том, что каждый человек понимает эти слова по-своему.
Поэтому намного эффективнее загрузить несколько абзацев текста, который вам действительно нравится.
Для модели это становится своеобразным эталоном.
Она начинает замечать:
- длину предложений;
- структуру абзацев;
- частоту примеров;
- уровень формальности;
- характерные речевые обороты;
- способы аргументации.
В результате воспроизвести стиль становится значительно проще.
Примеры помогают даже в аналитических задачах
Многие считают, что примеры нужны только для написания текстов.
На самом деле они полезны практически в любых задачах.
Например:
- классификация документов;
- анализ обращений клиентов;
- извлечение данных;
- подготовка юридических заключений;
- категоризация информации;
- программирование.
Если показать модели несколько входов и соответствующих выходов, она быстрее понимает закономерность и начинает воспроизводить её в новых случаях.
Именно поэтому few-shot prompting часто оказывается более стабильным, чем обычный запрос без примеров.
Хорошие примеры важнее большого количества примеров
Новички часто думают:
«Если два примера помогают, то десять помогут ещё сильнее».
На практике всё не так просто.
Исследования и практический опыт показывают, что обычно наибольший эффект дают 2–5 качественных примеров. После этого польза начинает снижаться. Более того, слишком большое количество примеров иногда даже ухудшает результат.
Поэтому важнее качество примеров, а не их количество.
Хороший пример должен быть:
- корректным;
- типичным;
- понятным;
- соответствующим задаче.
Плохой пример способен испортить весь результат.
Модель воспринимает ваши примеры как образец для подражания и охотно копирует не только удачные решения, но и ошибки.
Как я обычно использую примеры
Если мне нужно получить текст в определённом стиле, я стараюсь включать в промпт:
- Основное правило.
- Один-два положительных примера.
- Один-два антипримера.
- Краткое объяснение различий между ними.
Например:
Правило: писать простым языком.
Хороший пример:
Клиент не оплатил счёт в установленный срок.
Плохой пример:
Клиентом было допущено нарушение срока исполнения обязательств по внесению денежных средств.
После такого объяснения вероятность получить нужный стиль резко возрастает.
Когда примеры не нужны
Важно понимать, что примеры — не универсальное лекарство.
Если задача простая и хорошо понятная, современная модель часто справляется и без них.
Например:
Переведи текст на английский.
Найди ошибки в коде.
Составь список плюсов и минусов.
Для подобных запросов дополнительные примеры обычно не дают заметного выигрыша.
Поэтому разумно начинать с обычного запроса и переходить к примерам только тогда, когда результат оказывается недостаточно точным. Это соответствует рекомендациям большинства специалистов по промптингу.
Что вам нужно знать
Главное преимущество примеров и антипримеров заключается не в том, что они делают модель умнее.
Они делают задачу понятнее.
Вместо того чтобы заставлять нейросеть угадывать, что означает «хорошо», «понятно» или «интересно», вы показываете это на конкретных образцах.
А антипримеры дополнительно объясняют, каких решений следует избегать.
Поэтому если результат нейросети постоянно получается «почти правильным», но не совсем таким, как хотелось бы, чаще всего проблема решается не новыми инструкциями, а несколькими удачно подобранными примерами.
Именно поэтому опытные пользователи редко ограничиваются правилами. Они показывают модели образцы того, что хотят получить, и образцы того, чего хотят избежать.