Информационные технологии

В первой части мы разобрались, что температура управляет «контрастом» вероятностей, а не волшебной громкостью творчества. Теперь перейдём к практике. Представьте три разные задачи: Для каждой из этих задач температура должна быть разной. Если перепутать — либо получите сухие штампы, либо текст начнёт придумывать то, чего нет. Давайте разберёмся, какую температуру выбирать. Если вам нужно, чтобы нейросеть говорила строго по делу и не придумывала ничего от себя, ставьте низкую температуру — около 0...

Представьте: внутри нейросети для каждого возможного продолжения текста есть число — «сырая оценка уверенности», например, от -5 до +10. У слова «кофе» — оценка 5, у «чай» — 3, у «бегемот» — -2. Модель не знает, какое слово выбрать, пока не превратит эти оценки в вероятности. 🧮 Чтобы превратить числа в проценты, используют функцию softmax. Если упрощённо: она делает так, чтобы: Пример: после softmax оценки [5, 3, -2] могут превратиться в вероятности: [0.80, 0.15, 0.05]. 🌡️ Теперь вводим температуру...

Выполни задание, используя метод рекурсивного улучшения RSIP. Процесс: 1. Создай первоначальное решение (или ответ) с учётом всех условий. 2. Проведи самопроверку: соответствует ли оно цели, соблюдены ли формат и ограничения, можно ли повысить точность, полноту, ясность. Запиши краткую критику. 3. Улучши решение на основе критики — это одна итерация. 4. Повторяй шаги 2–3, пока не пройдёшь {iterations} полных циклов или не будешь полностью уверен в качестве. 5. Выведи финальный ответ строго в формате {output_format} и без лишних пояснений...

Раньше фокус был на составлении «идеального» промпта. Сегодня ключевая задача — грамотно собрать контекст: загрузить в модель именно те данные, которые нужны для решения задачи. Представьте архитектуру так: Основная причина сбоев в работе агентов — не плохой промпт, а плохой контекст: лишние данные, устаревшая информация, отсутствие определений инструментов. Для большинства задач достаточно 150–300 слов (150–300 токенов). Это заставляет формулировать запрос чётко и по делу, избегая избыточности....

STAR (Situation, Task, Action, Result) — метод структурированного описания ситуаций, который помогает чётко формулировать задачи, анализировать кейсы и составлять эффективные промпты для языковых моделей. Изначально фреймворк использовался в HR для проведения поведенческих собеседований, но сегодня он нашёл широкое применение в бизнес‑аналитике, отчётности, презентациях и промпт‑инжиниринге. Ключевые преимущества STAR: Описание контекста, в котором возникла задача. Важно указать: Пример: «В Q3 2025...

Часто ли вы получаете от нейросети не тот ответ, на который рассчитывали? Причина чаще всего кроется не в «глупости» модели, а в неточности вашего запроса. Разберём, как формулировать промпты так, чтобы результат максимально соответствовал ожиданиям — даже если вы только начинаете работать с нейросетями. Наверняка вы сталкивались с ситуациями, когда: Всё это можно исправить, если научиться правильно составлять промпты. Языковые модели не обладают интуицией и не умеют «читать между строк» — они работают исключительно с тем текстом, который вы им даёте...