Само исследование https://arxiv.org/pdf/2505.12896

1. Ключевые аспекты исследования:

Исследование показывает, что большие языковые модели часто ошибаются не потому, что им не хватает знаний, а потому, что они "теряются" в предоставленном контексте. Авторы выделяют две ключевые проблемы: информация может быть сформулирована запутанно (локальная неявность) или "похоронена" среди нерелевантных деталей (контекстная неявность). Для решения этой проблемы предложена промпт-техника "Язык Мысли" (Language of Thoughts, LoT), которая заставляет модель сначала найти, перефразировать и перечислить все ключевые факты, и только потом давать финальный ответ.

Ключевой результат: Заставляя модель сначала "разложить все по полочкам" с помощью команд expand (расширь/переформулируй) и echo (повтори/перечисли), можно значительно повысить точность ее рассуждений и снизить влияние когнитивных искажений.

2. Объяснение всей сути метода:

Суть метода "Language of Thoughts" (LoT) заключается в том, чтобы перед решением основной задачи заставить LLM провести предварительную подготовку информации. Вместо того чтобы сразу бросаться "в бой", модель сначала выполняет два действия, которые имитируют человеческий процесс осмысления:

1. Борьба с запутанными формулировками (L-implicitness): Используется инструкция expand (расширь, раскрой, переформулируй). Она заставляет модель взять ключевую, но, возможно, сложно изложенную информацию и объяснить ее своими словами, сделать ее более явной. Например, вместо того чтобы просто принять факт "проект не соответствует ожиданиям", модель должна его "раскрыть": "Это означает, что сроки сорваны, бюджет превышен, а функционал реализован не полностью".
2. Борьба с информационным шумом (Q-implicitness): Используется инструкция echo (повтори, перечисли, выдели). Она заставляет модель просканировать весь контекст, отфильтровать нерелевантную информацию и четко перечислить только те факты, которые имеют прямое отношение к вопросу. Это как выписать ключевые данные из длинного текста на отдельный листок, чтобы ничего не упустить.

Методика на практике: В свой промпт, перед основной задачей, вы добавляете инструкцию, которая запускает этот двухэтапный процесс. Например: "Прежде чем ответить на вопрос, давай сначала понаблюдаем, раскроем и перечислим всю релевантную информацию из текста. Затем, основываясь на этих выделенных фактах, дай пошаговый ответ."

Этот подход заставляет модель создать для себя "шпаргалку" из ясных и отфильтрованных фактов, что резко снижает вероятность ошибок из-за невнимательности или неверной интерпретации.

---

3. Анализ практической применимости:

*Прямая применимость:Максимальная. Пользователь может взять готовую конструкциюPlease observe, expand, and echo all the relevant information(или ее русский аналог:Пожалуйста, изучи, раскрой и перечисли всю релевантную информацию) и вставить ее в свой промпт. Это работает "из коробки" и не требует никаких технических навыков. Метод особенно полезен, когда нужно проанализировать большой или запутанный текст.

• Концептуальная ценность: Очень высокая. Исследование дает пользователю мощную ментальную модель для отладки промптов. Если LLM дает неверный ответ на основе предоставленного текста, пользователь может задать себе два вопроса:
1. Может, модель не нашла нужный факт в "стене текста"? → Нужно усилить echo-компонент ("Сначала выпиши все факты, связанные с [тема]").
2. Может, модель неверно поняла сложную формулировку? → Нужно усилить expand-компонент ("Объясни простыми словами, что означает [сложная фраза]").
• Потенциал для адаптации: Огромный. Не обязательно использовать точные слова expand и echo. Механизм можно адаптировать под любую задачу:
• Для анализа отзывов: "Сначала выдели из каждого отзыва ключевые жалобы и похвалы. Перечисли их списком. Затем..."
• Для планирования: "Из этого диалога выпиши ограничения каждого участника (бюджет, даты, интересы). Сгруппируй их. Затем..."
• Для юридического анализа: "Сначала извлеки из договора все пункты, касающиеся ответственности сторон. Перечисли их дословно. Затем..."

4. Практически пример применения:

Ты — опытный маркетолог, анализирующий отзывы клиентов. Твоя задача — составить краткую сводку по проблемам и позитивным моментам на основе отзыва клиента.
**[Контекст: Отзыв клиента]**
"В целом, ваш новый сервис неплох. Зарегистрировался быстро, интерфейс понятный. Но ждал доставку почти две недели, хотя обещали 3 дня, курьер так и не позвонил заранее. Пытался написать в поддержку, отвечали роботы какими-то шаблонными фразами, живого человека так и не дождался. Сама вещь качественная, тут претензий нет, но цена, конечно, кусается. Не уверен, что буду заказывать снова из-за всего этого опыта с доставкой и поддержкой."

**[Задание]**
Проанализируй отзыв и подготовь структурированную сводку для отдела продукта.

**ВАЖНО:** Прежде чем дать финальный ответ, выполни следующие шаги:
1.  **Раскрой (Expand):** Возьми каждую нечеткую фразу из отзыва (например, "неплох", "цена кусается", "опыт с доставкой") и кратко раскрой ее значение на основе контекста.
2.  **Перечисли (Echo):** Четко выдели и перечисли списком все конкретные положительные и отрицательные моменты, упомянутые в отзыве.

И только после этого, на основе выделенных фактов, сформируй итоговую сводку.

5. Почему это работает:

Этот промпт работает за счет принудительной декомпозиции и фокусировки, которые лежат в основе метода LoT.

1. Механика Expand (Раскрой): Инструкция "Раскрой нечеткую фразу" заставляет модель бороться с L-implicitness. Вместо того чтобы проигнорировать фразу "цена кусается", модель вынуждена ее конкретизировать: "Клиент считает цену высокой, что является барьером для повторной покупки". Это превращает расплывчатое мнение в конкретный бизнес-инсайт.
2. Механика Echo (Перечисли): Инструкция "Перечисли... положительные и отрицательные моменты" заставляет модель бороться с Q-implicitness. Она не может просто выдать общую оценку, а вынуждена активно искать и извлекать отдельные факты из всего текста:
• (+) Быстрая регистрация
• (+) Понятный интерфейс
• (+) Качественный товар
• (-) Долгая доставка (2 недели вместо 3 дней)
• (-) Курьер не предупредил о визите
• (-) Плохая работа поддержки (шаблонные ответы роботов)
• (-) Высокая цена

Создав этот промежуточный, структурированный список, модель получает надежную основу для финальной сводки, минимизируя риск упустить важные детали или неверно их интерпретировать.

6. Другой пример практического применения

Ты — ассистент, который помогает составить план поездки на выходные для компании друзей на основе их переписки.
**[Контекст: Переписка в чате]**
- **Анна:** "Ребята, давайте куда-нибудь поедем на выходных! Я свободна в субботу и воскресенье. Бюджет у меня до 5000 рублей на все."
- **Виктор:** "Я за! Но в субботу до 15:00 я занят на курсах. И я не очень люблю музеи, лучше что-то активное на природе."
- **Ольга:** "Отличная идея! Я на машине, могу всех забрать. Главное, чтобы мы вернулись в город в воскресенье не позже 20:00, у меня в 21:00 поезд. По еде — я вегетарианка."

**[Задание]**
Предложи 1-2 варианта плана для поездки, которые учитывают все ограничения и пожелания.

**ИНСТРУКЦИЯ:** Прежде чем предлагать планы, выполни подготовительную работу:
1.  **Извлеки и перечисли (Echo):** Выпиши в виде списка все ключевые ограничения и пожелания КАЖДОГО участника (Анна, Виктор, Ольга). Сгруппируй их по именам.
2.  **Раскрой (Expand):** Кратко поясни, как каждое ограничение влияет на возможный план. Например, "Занятость Виктора до 15:00 в субботу означает, что выезжать из города нужно во второй половине дня субботы".

После этого анализа предложи итоговые варианты плана.

7. Объяснение механизма почему этот пример работает.

Этот промпт эффективно решает сложную задачу планирования с множеством ограничений благодаря применению принципов LoT.

1. Механика Echo (Извлеки и перечисли): Переписка друзей — это классический пример Q-implicitness. Важные факты (бюджет, время, предпочтения) разбросаны по разным сообщениям и перемешаны с "шумом" ("Ребята, давайте поедем!"). Инструкция "выпиши ограничения каждого участника" заставляет модель провести инвентаризацию всех условий:
• Анна: доступна Сб+Вс, бюджет < 5000 руб.
• Виктор: свободен с 15:00 Сб, хочет активный отдых, не любит музеи.
• Ольга: на машине, нужно вернуться в Вс до 20:00, вегетарианка. Этот шаг превращает хаотичную переписку в структурированную таблицу требований.
2. Механика Expand (Раскрой и поясни): Этот шаг помогает модели осмыслить последствия каждого ограничения. Это борется с потенциальной L-implicitness, когда простое условие "занят до 15:00" может быть неверно учтено. Проговаривая "это означает, что выезжать нужно после 15:00", модель сама себе создает четкое правило для планирования. То же самое с условием Ольги: "вегетарианство означает, что нужно либо искать места с соответствующим меню, либо планировать закупку продуктов".

В результате, когда модель приступает к созданию плана, она оперирует не сырой перепиской, а четким, осмысленным списком требований, что практически гарантирует релевантный и выполнимый результат.

Оценка полезности: 100

Основные критерии оценки

• A. Релевантность техникам промтинга: Да, исследование предлагает конкретную технику "Language of Thoughts" (LoT) с готовыми фразами-инструкциями (observe, expand, and echo).
• B. Улучшение качества диалоговых ответов: Да, исследование демонстрирует значительное улучшение точности и снижение предвзятости на 11 различных бенчмарках, включая задачи на здравый смысл и логику.
• C. Прямая практическая применимость: Абсолютно. Метод не требует кода или специальных инструментов. Пользователь может немедленно вставить предложенные фразы в свои промпты в любом чат-боте.
• D. Концептуальная ценность: Очень высокая. Работа вводит простую и мощную ментальную модель двух типов "неявности" информации (L-implicitness и Q-implicitness), которая помогает пользователю понять, почему его промпты могут не работать, и как это исправить.
• E. Новая полезная практика (Кластеры):
• Кластер 1 (Техники): Да, LoT — это новая техника, похожая на Chain-of-Thought.
• Кластер 2 (Поведенческие закономерности): Да, раскрывает, как LLM "отвлекается" на нерелевантный контекст или "путается" в сложных формулировках.
• Кластер 7 (Надежность и стабильность): Да, основная цель — снизить количество ошибок и предвзятых ответов.
• Чек-лист практичности (+15 баллов): Даны готовые фразы, показано, как структурировать сложные запросы, раскрыты неочевидные особенности поведения LLM и предложены способы улучшить точность. Бонус в 15 баллов применен.

Цифровая оценка полезности

Исследование получает максимальный балл, так как представляет собой идеальный пример практической научной работы для промпт-инженеров. Оно не только предлагает готовую к использованию и эффективную технику, но и дает глубокое концептуальное понимание того, как и почему LLM совершают ошибки.

Аргументы за оценку: 1. Прямое действие: Техника LoT — это готовый инструмент. Фразы "observe, expand, and echo" можно скопировать и сразу получить результат. 2. Диагностическая ценность: Концепции L- и Q-неявности позволяют пользователю не просто пробовать разные промпты вслепую, а диагностировать проблему: "Модель не видит важную информацию в тексте?" (Q-implicitness) или "Модель неправильно поняла сложную формулировку?" (L-implicitness). 3. Широкая применимость: Эффективность доказана на множестве моделей (GPT-4o, Llama 3, Qwen2) и задач (логика, здравый смысл, анализ текста), что говорит об универсальности подхода.

Контраргументы (почему оценка могла бы быть ниже): 1. Сложность для новичков: Сама научная статья написана сложным академическим языком. Без подобного разбора обычному пользователю было бы трудно извлечь из нее суть. 2. Увеличение стоимости: Применение техник expand и echo заставляет модель генерировать больше текста на промежуточном этапе, что может увеличить расход токенов и стоимость запросов через API. 3. Ограничения для слабых моделей: Авторы сами отмечают, что маленькие модели или модели с плохим следованием инструкциям могут не справиться с выполнением промпта LoT, что несколько снижает его универсальность.

Узнайте больше о научно-практических выводах в промпт-инжиниринге

Полный доступ ко всем практическим методам из свежих исследований https://t.me/novasapiens_bot?start=getpro