Приёмы prompt engineering
Prompt Engineering Tactics
Три простых приёма для запросов к LLM (роли нескольких персон, ссылка на источник через «according to», эмоциональные стимулы) по словам спикера дают более точные ответы.
- Роли нескольких персон — для сложных и генеративных задач модель разыгрывает агентов с разными ролями, например издателя, автора и целевую аудиторию книги, которые обсуждают идеи и приходят к ответу. Весь ход этого обсуждения видно в выводе.
- Ссылка на источник — фраза вроде «according to Wikipedia» в конце вопроса повышает шанс, что модель опирается на указанный источник, и, по данным, которые приводит спикер из Johns Hopkins, снижает галлюцинации до 20%. Приём полезен, когда у модели есть стабильный источник данных.
- EmotionPrompt — эмоциональный стимул в конце промпта, например фраза о том, что задача важна для карьеры. Эксперименты исследователей из Microsoft и нескольких университетов показали прирост качества от 8% до 115% в зависимости от задачи.
Кому полезно: тем, кто настраивает промпты для LLM-функций в продукте.
Статья по теме
Главы
Ещё доклады: Dan Cleary
Страница спикера →Модель не ошибается — просто вы плохо пишете промпты
AI Engineer Summit 2025
Похожие доклады
Создаём с Claude от Anthropic: приём у «доктора по промптам»
AI Engineer World's Fair 2024
Близко по содержанию
Как улучшить vibe coding
AI Engineer World's Fair 2025
Близко по содержанию
Как работает Claude Code
AI Engineer Code 2025
Близко по содержанию

