🧠 Контент предназначен специально для моего сообщества в телеграме @aiNovaSapiens

TL;DR

Prompt Repetition — техника, которая просто копирует твой промпт дважды подряд: вместо <QUERY> отправляешь <QUERY><QUERY>. Работает в обычном чате, на любых моделях (Gemini, GPT, Claude, Deepseek).

LLM обучены как каузальные модели — каждый токен "видит" только предыдущие, не будущие. Поэтому порядок слов влияет на точность: <КОНТЕКСТ><ВОПРОС> работает иначе чем <ВОПРОС><КОНТЕКСТ>. Когда варианты ответа идут ДО вопроса, модель обрабатывает опции вслепую, без контекста задачи. Отсюда ошибки — особенно в задачах где критичен порядок информации (поиск элемента в списке, выбор из вариантов, извлечение данных).

Повторение промпта позволяет каждому токену "увидеть" все остальные токены дважды — первый раз линейно, второй раз с полным контекстом. Исследование показало 47 побед из 70 тестов, 0 поражений на разных моделях и задачах. При этом длина ответа не растёт, задержка не меняется — модель генерирует столько же токенов, просто точнее.

Схема метода

ВМЕСТО: <твой промпт>
ПИШИ:   <твой промпт>
        <твой промпт>

Всё. Один запрос, один ответ. Просто дублируешь текст промпта.

Пример применения

Задача: У тебя длинная переписка с клиентом в поддержке (30+ сообщений) по поводу заказа на Ozon. Нужно быстро определить — упоминал ли клиент возврат товара, и если да, то в каком сообщении.

Промпт:

Вот переписка с клиентом:

[Сообщение 1] Клиент: Здравствуйте, заказ не пришёл
[Сообщение 2] Поддержка: Добрый день! Уточните номер заказа
[Сообщение 3] Клиент: 12345-WB
[...28 сообщений с уточнениями...]
[Сообщение 31] Клиент: Может тогда просто верну деньги?
[Сообщение 32] Поддержка: Оформим возврат

Упоминал ли клиент возврат? Если да — в каком сообщении?

Вот переписка с клиентом:

[Сообщение 1] Клиент: Здравствуйте, заказ не пришёл
[Сообщение 2] Поддержка: Добрый день! Уточните номер заказа
[Сообщение 3] Клиент: 12345-WB
[...28 сообщений с уточнениями...]
[Сообщение 31] Клиент: Может тогда просто верну деньги?
[Сообщение 32] Поддержка: Оформим возврат

Упоминал ли клиент возврат? Если да — в каком сообщении?

Результат:

Модель точнее найдёт упоминание возврата в Сообщении 31. При обычном промпте она могла бы пропустить косвенное упоминание ("верну деньги") или указать неправильный номер сообщения — особенно если вопрос шёл ДО переписки в структуре промпта. С повторением каждый токен вопроса "видит" всю переписку дважды, снижая риск ошибки.

Почему это работает

LLM читает текст слева направо без права вернуться назад. Если в промпте сначала идут варианты ответа, потом вопрос — модель обрабатывает варианты вслепую, без понимания задачи. Отсюда случайные ошибки.

Повторение даёт второй проход по всей информации. Первая копия промпта прочитана линейно. Вторая копия — с накопленным контекстом из первой. Теперь модель "видит" связи между всеми частями промпта: вопрос понимает опции, опции понимают вопрос.

Рычаги управления:

• Количество повторений — можно повторить 3 раза (×3) для особо сложных задач с длинными списками (NameIndex показал рост точности с 21% до 97%). Для простых задач достаточно ×2.
• Явная граница — добавь "Let me repeat that:" между копиями. Иногда даёт чуть лучший результат, но не всегда. Тестируй на своих данных.
• Часть промпта — для очень длинных промптов повторяй только критичную часть (вопрос + инструкцию), не весь контекст. Экономит токены.

Шаблон

{твой_промпт}
{твой_промпт}

Или с явной границей:

{твой_промпт}

Let me repeat that:

{твой_промпт}

Или тройное повторение:

{твой_промпт}

Let me repeat that:

{твой_промпт}

Let me repeat that one more time:

{твой_промпт}

Где {твой_промпт} — любой промпт который используешь сейчас. Просто продублируй его. Инструкция по формату ответа, контекст, вопрос — всё повторяется целиком.

Ограничения

⚠️ Не работает с reasoning: Когда просишь модель "think step by step" или используешь o1/o3, эффект минимален. Модели при рассуждении и так повторяют части промпта в своих мыслях. Повторение входа ничего не добавляет.

⚠️ Удваивает входные токены: Если промпт 1000 токенов, с повторением будет 2000. Стоимость запроса растёт (но не стоимость ответа — длина генерации не меняется). Для коротких промптов не критично, для длинных (10К+ токенов) может бить по бюджету.

⚠️ Лимиты контекста: Очень длинные промпты (близкие к лимиту модели) невозможно повторить — не влезут в контекстное окно. В таких случаях повторяй только критичную часть (вопрос + инструкции), не весь контекст.

⚠️ Задержка на Claude: Anthropic модели (Haiku, Sonnet) показали рост latency на очень длинных промптах (от удвоения 10К+ токенов) — prefill стадия затягивается. На коротких промптах эффекта нет.

Как исследовали

Команда из Google Research взяла 7 моделей (Gemini 2.0 Flash и Lite, GPT-4o и 4o-mini, Claude 3 Haiku и 3.7 Sonnet, Deepseek V3) и прогнала через 7 бенчмарков — от школьных тестов (ARC, OpenBookQA) до математики (GSM8K, MATH) и своих кастомных задач.

Тестировали два режима: без reasoning (просто ответь) и с reasoning (think step by step). Для multiple choice запускали в двух вариантах: question-first (вопрос → опции) и options-first (опции → вопрос). Второй вариант жёстче — модель читает варианты не зная что искать.

Результаты удивили простотой и стабильностью: из 70 комбинаций модель+бенчмарк+режим получили 47 статистически значимых побед и 0 поражений. Особенно сильный эффект на кастомных задачах NameIndex (найди 25-е имя из 50) и MiddleMatch (найди элемент между двумя другими) — там точность росла с ~20% до ~97%.

Почему это работает: авторы объясняют через архитектуру attention. В каузальных LLM токен на позиции N "видит" только токены 1..N, не дальше. При повторении промпта токен из второй копии "видит" все токены первой копии + себя. По сути каждый токен промпта получает двустороннюю видимость — это близко к bidirectional attention, но без переобучения модели.

Инсайт для практики: исследователи заметили, что reasoning-модели (обученные через RL) сами научились повторять части промпта в своих рассуждениях. Prompt Repetition переносит эту работу на prefill стадию (параллелизуемую), убирая токены из generation стадии (последовательной). Эффективность растёт без изменения качества.

Неожиданность: метод Padding (добавление точек "..." до той же длины что у повторения) не дал эффекта. Значит дело не в длине входа, а именно в повторении смысловых токенов.

Оригинал из исследования

Базовые варианты из статьи:

Baseline:

Copy

Copy

<QUERY>

Prompt Repetition:

Copy

Copy

<QUERY>
<QUERY>

Prompt Repetition (Verbose):

Copy

Copy

<QUERY>
Let me repeat that:
<QUERY>

Prompt Repetition ×3:

Copy

Copy

<QUERY>
Let me repeat that:
<QUERY>
Let me repeat that one more time:
<QUERY>

Контекст: Исследователи тестировали все 4 варианта на одинаковых данных. Verbose и ×3 иногда давали чуть лучший результат чем базовое повторение, особенно на задачах с длинными списками. Но разница небольшая — базовое <QUERY><QUERY> работает отлично в 90% случаев.

Адаптации и экстраполяции

💡 Адаптация для многошаговых задач с проверкой:

Если задача требует генерации + проверки (например, написать текст ровно 100 слов), повтори инструкцию после генерации:

Copy

Copy

Напиши пост для Telegram-канала про [тема]. Ровно 50 слов.

Напиши пост для Telegram-канала про [тема]. Ровно 50 слов.

---

Ответ:

{сюда модель сгенерирует текст}

---

Проверь: написано ровно 50 слов? Если нет — перепиши.

Двойной промпт даёт точную генерацию, инструкция проверки — самокоррекцию.

🔧 Техника: повторять только критичную часть → экономия токенов

Если у тебя промпт 5000 токенов (длинный прайс-лист + вопрос), повторяй только вопрос:

Copy

Copy

[ДЛИННЫЙ ПРАЙС-ЛИСТ — 4500 токенов]

Найди позицию "Ноутбук ASUS ROG" и назови цену.

Найди позицию "Ноутбук ASUS ROG" и назови цену.

Вместо 10000 токенов (полное повторение) получаешь ~5100. Эффект сохраняется — модель дважды "видит" инструкцию, контекст остаётся в памяти.

💡 Адаптация для классификации с примерами (few-shot):

При few-shot (даёшь примеры правильных ответов) повторяй весь блок — примеры + задачу:

Copy

Copy

Примеры tone of voice бренда:

[Пример 1: текст → оценка]
[Пример 2: текст → оценка]
[Пример 3: текст → оценка]

Оцени новый текст: [текст]

---

Примеры tone of voice бренда:

[Пример 1: текст → оценка]
[Пример 2: текст → оценка]
[Пример 3: текст → оценка]

Оцени новый текст: [текст]

Модель лучше усваивает паттерн из примеров при повторении. Особенно полезно если примеры идут ДО задачи — при однократном чтении модель может "забыть" первые примеры к моменту генерации ответа.

Ресурсы

Prompt Repetition Improves Non-Reasoning LLMs — Yaniv Leviathan, Matan Kalman, Yossi Matias (Google Research), февраль 2025

Связанные работы: - Chain-of-Thought Prompting (Wei et al., 2023) — техника "думай по шагам" - Re-Reading Improves Reasoning (Xu et al., 2024) — исследование про пользу повторного чтения вопроса - Repetition Improves Language Model Embeddings (Springer et al., 2024) — повторение улучшает эмбеддинги

Объяснение механизма почему этот пример работает.

Этот пример работает, потому что он использует ту же механику психологической дистанции для решения другой задачи — получения жесткой, бескомпромиссной редактуры.

1. Специализированная Персона: Роль "Редактор-Пушкинист" не просто абстрактный эксперт, а персонаж с ярко выраженным характером и ценностями (презирает канцелярит, безжалостно вычищая). Это дает модели очень четкие стилистические ориентиры.
2. Разрешение на "Негатив": Описание персоны и задача (едкий комментарий) дают модели прямое разрешение быть не просто критичной, а даже саркастичной. Без этой ролевой игры модель, скорее всего, дала бы мягкий и вежливый фидбэк, постаравшись не обидеть пользователя.
3. Смещение Фокуса: Модель фокусируется не на том, чтобы "помочь пользователю улучшить текст", а на том, чтобы "максимально точно сыграть роль критика старой школы". Это позволяет ей произвести гораздо более глубокую и стилистически чистую редактуру, отбросив попытки угодить современным корпоративным клише, которые использовал пользователь.

Описание исследования, на кором базируется этот промпт https://novasapiens.ru/prompt/2505.23840

Оригинал исследования от 28 May 2025 https://arxiv.org/pdf/2505.23840

Подборка предназначена для моего сообщества https://t.me/ainovasapiens

Собрал инфу по лимитам, форматам при работе с аналитикой в GPT через /mnt/data/ в одном месте.

ОЗУ процесса

Доступно примерно 1 ГБ оперативной памяти для Python‑процесса. Чтобы увидеть точное значение, укажите в промпте этот код:

import psutil, os; print(psutil.virtual_memory().total/1024/1024, "MB")


Длительность контейнера

При активной работе контейнер живёт до 1 часа. Если в течение 20–30 минут нет сообщений или вызовов Python, контейнер автоматически прекращается, и всё содержимое каталога /mnt/data безвозвратно удаляется.

Время одного вызова Python

Каждый вызов инструментов `python` или `python_user_visible` ограничен 300 секундами (5 минутами). Длинные вычисления следует делить на этапы и сохранять промежуточные результаты на диск.

Размер одного файла

512 МБ — это жёсткий верхний предел для загрузки (upload) и сохранения (save) файла. Попытка превысить лимит приведёт к ошибке.

Количество файлов (upload / download)

Пользователи Plus / Pro / Team / Enterprise могут загружать и скачивать до 80 файлов за 3 ч. На тарифе Free — 3 файла в сутки. Считаются только операции загрузки и выгрузки; файлы, созданные внутри контейнера, не учитываются.

Специальные лимиты по типу файла

• Текст и документы — не более 2 млн токенов.
• CSV и другие таблицы — около 50 МБ.
• Изображения — до 20 МБ.
Файлы крупнее этих ограничений будут отклонены при загрузке.

Передача файлов пользователю

После создания файла в ответе укажите ссылку вида `[Скачать](sandbox:/mnt/data/имя_файла)` — клиент сможет скачать файл напрямую.

Работа с архивами

Крупные датасеты (например, SQL‑дампы) удобно загружать архивом (.zip или .tar.gz) и распаковывать внутри песочницы:

 import zipfile
 with zipfile.ZipFile('/mnt/data/archive.zip') as z:
  z.extractall('/mnt/data')

Распределяйте по подпапкам

Например в промпте укажите вложенные папки: (/mnt/data/tmp, /mnt/data/cache, /mnt/data/out) — меньше шансов перепутать сырой и готовый файлы.

Доступ в интернет

Файлы можно загрузить через Gooole диск, но не по ссылке, а подключив его внутри GPT.

Ключевые советы

• Кешируйте промежуточные артефакты в /mnt/data и проверяйте их наличие перед повторным вычислением.
• Дробите большие наборы данных: лимиты 512 МБ на файл и 1 ГБ RAM редко позволяют работать «всё‑в‑памяти».
• Скачивайте важные результаты сразу — контейнер может завершиться после 20 минут бездействия.
• Для крупных источников (например, SQL‑дампы) загружайте архивом и распаковывайте их внутри песочницы.
• Поддерживайте сессию «живой» (короткий код или сообщение раз в 10–15 минут), если расчёты длятся долго.

Что ещё «живёт» в /mnt/data/ без проблем (проверено на практике)

Электронные таблицы

.xlsx, .xls, .ods

Pandas считывает напрямую через read_excel(); LibreOffice-совместимые .ods тоже открываются (через pyexcel-ods).

Документы

.docx, .doc, .rtf, .odt, .tex, .md, .rst, .html

Для .docx удобна библиотека python-docx; LaTeX (.tex) можно компилировать, если использовать встроенный pdfLaTeX (наличие зависит от образа).

Архивы

.zip, .tar, .tar.gz / .tgz, .tar.bz2, .tar.xz, .7z

Встроенные модули zipfile, tarfile; для .7z используйте py7zr. Удобно грузить большие датасеты и распаковывать внутри.

Сжатые тексты

.gz, .bz2, .xz (одиночные файлы)

Pandas читает CSV/JSON «на-лету»: read_csv('file.csv.gz').

Часто применяемые бинарные данные

.npy, .npz, .pkl / .pickle, .joblib, .h5 / .hdf5, .feather, .arrow

Позволяют хранить большие массивы NumPy, модели sklearn, данные Arrow — всё читается без ошибок.

Геоданные

.shp, .geojson, .kml, .gpkg, .tif/.tiff (GeoTIFF)

Работает через geopandas/rasterio (если библиотека установлена в образе).

Статистика / соц-науки

.dta (Stata), .sav / .zsav (SPSS), .sas7bdat (SAS)

Читается через pandas.read_stata, pyreadstat.

Графика

.svg, .eps, .ps, .bmp, .tif/.tiff, .webp

Pillow открывает большинство; Matplotlib сохраняет в этих форматах.

Аудио

.wav, .flac, .mp3, .ogg

Модули wave / pydub / librosa читают; объём нужно держать ≤ 20 МБ.

Видео

.mp4, .mov, .webm, .avi

Чтение/конверсия через moviepy/opencv (при наличии). Ограничение размера всё ещё 20 МБ.

Коды / разметка

.py, .ipynb (уже упоминалось), .jsonl, .yaml / .yml, .xml, .csv.gz

Эти файлы удобны для скриптовых операций и хранения аннотаций.

Базы данных

.sqlite / .db, .parquet, .feather, .arrow, .orc

SQLite очень удобен для «крупного количества маленьких JSON» вместо тысяч файлов.

Модели ML

.pt / .pth (PyTorch), .h5 (Keras), .onnx

Если модель < 512 МБ, грузится без проблем.

Что чаще всего блокируется или удаляется

• Исполняемые бинарники: .exe, .dll, .so, .a, .out.
• Сценарии со встроенным бинарным содержимым (упакованные malware).
• Файлы с известными сигнатурами вредоносного ПО.

Лайфхаки при работе с форматами

1. Большие Excel-файлы → Parquet

import pandas as pd
df = pd.read_excel('huge.xlsx', sheet_name=None)  # все листы
for name, sheet in df.items():
    sheet.to_parquet(f'/mnt/data/{name}.parquet', compression='zstd')

Конвертация «тяжёлых» изображений в WebP

Снижает размер ×3–4, оставаясь внутри лимита 20 МБ:

from PIL import Image
img = Image.open('photo.png')
img.save('/mnt/data/photo.webp', 'webp', quality=85)

Объединяйте много мелких JSON → JSONL + gzip
1 файл легче передавать и он лучше переживает лимит на количество upload-операций.

TL;DR: практически любые данные, которые не являются исполняемым кодом, можно держать в /mnt/data. Главное — вписаться в лимиты 512 МБ на файл, 1 ГБ RAM и 20 МБ для картинок.

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

Источник https://arxiv.org/pdf/2409.08775 (3 Sep 2024, last revised 28 Apr 2025)

Исследователи: Qianou Ma, Weirui Peng, Chenyang Yang, Hua Shen, Kenneth Koedinger, Tongshuang Wu

1. Ключевые аспекты исследования:

Исследование вводит и доказывает эффективность подходаROPE (Requirement-Oriented Prompt Engineering)— промпт-инжиниринг, ориентированный на требования. Суть в том, чтобы для сложных задач пользователь формулировал промпт не как обычный вопрос, а как подробное техническое задание (ТЗ), явно перечисляя все условия, шаги, ограничения и желаемый формат вывода. Эксперименты показали, что обучение пользователей этому методу значительно повышает качество и надежность ответов LLM по сравнению с традиционными техниками промптинга.

Ключевой результат: Четкое и полное формулирование требований в промпте — самый важный фактор для получения качественного результата от LLM в сложных задачах, и этому навыку можно эффективно обучить пользователей.

---

2. Объяснение всей сути метода:

Суть метода ROPE заключается в смене парадигмы: вместо того чтобы относиться к LLM как к всезнающему собеседнику, нужно относиться к ней как к очень исполнительному, но абсолютно безынициативному и буквальному стажеру-программисту. Такому стажеру нельзя сказать "сделай красиво", ему нужно выдать четкое и подробное техническое задание.

Практически это означает, что перед написанием сложного промпта нужно мысленно (или на бумаге) ответить на следующие вопросы, а затем включить ответы в текст промпта:

1. Главная цель (Objective): Что в конечном итоге должно быть сделано? Каков идеальный конечный продукт?
2. Пошаговый процесс (Steps/Process): Как именно LLM должна прийти к результату? Разбейте задачу на логические шаги. Например: "Сначала задай мне 5 уточняющих вопросов. Затем, на основе моих ответов, проанализируй...".
3. Условия и логика (Conditionals): Что делать, если...? Например: "Если я отвечаю расплывчато (например, 'недорого'), уточни, что я имею в виду (например, 'какой бюджет на человека?'). Если я не предоставляю информацию после двух уточняющих вопросов, работай с тем, что есть".
4. Требования к формату (Formatting): Как должен выглядеть ответ? В виде таблицы, маркированного списка, JSON? Должен ли быть заголовок? Какая структура у текста? Например: "Ответ оформи в виде таблицы с колонками: 'Проблема', 'Решение', 'Срок'".
5. Ограничения и запреты (Constraints): Чего делать НЕ нужно? Какие темы или слова избегать? Например: "Не предлагай экзотические ингредиенты. Не используй в ответе жаргонизмы. Длина ответа не более 300 слов".

Этот подход превращает промптинг из искусства угадывания в инженерную дисциплину, где пользователь управляет процессом, а не надеется на удачу.

---

3. Анализ практической применимости:

*Прямая применимость:Максимальная. Пользователь может взять структуру "Цель - Процесс - Условия - Формат - Ограничения" и сразу же начать писать по ней промпты в любом чат-боте. Это не требует никаких технических навыков, только смены подхода к формулировке задачи. Это прямой апгрейд для любого, кто пишет промпты длиннее одного предложения.

• Концептуальная ценность: Огромная. Исследование дает пользователю ключевую идею: "Промпт — это программа, а ты — её архитектор". Это понимание объясняет 90% неудач при работе с LLM. Когда модель выдает ерунду, пользователь, знакомый с ROPE, не думает "LLM глупая", а думает "В моем ТЗ (промпте) не хватает требований или есть двусмысленность". Это меняет всё.
• Потенциал для адаптации: Метод универсален и не требует адаптации. Он является фреймворком (каркасом), на который можно "надеть" любую задачу. Чтобы адаптировать его для себя, пользователю достаточно перед написанием запроса потратить 30 секунд на обдумывание задачи по пяти пунктам, перечисленным выше. Это превращает хаотичное написание промпта в структурированный и осознанный процесс.

4. Практически пример применения:

# Роль:

Выступи в роли опытного диетолога-планировщика.

# Главная цель:

Создать для меня персонализированный план питания на одну неделю (7 дней), который поможет мне сбросить вес без вреда для здоровья и будет простым в приготовлении.

# Требования к процессу (Пошаговая инструкция):

1. **Сбор информации:** Прежде чем составлять план, задай мне следующие вопросы ОДНИМ сообщением:- Мой пол, возраст, вес и рост.
- Мой уровень физической активности (сидячий, легкий, средний, высокий).
- Есть ли у меня пищевые аллергии или продукты, которые я категорически не ем?
- Сколько времени я готов тратить на приготовление ужина (в минутах)?
2. **Уточнение:** Если я назову продукт, который ты считаешь нежелательным для похудения (например, "люблю торты"), не исключай его полностью, а вежливо предложи здоровую альтернативу или вариант, как вписать его в план в ограниченном количестве.
3. **Генерация плана:** После получения моих ответов, создай план питания.

# Требования к формату вывода:

- План должен быть оформлен в виде Markdown-таблицы.
- Колонки таблицы: "День недели", "Завтрак", "Обед", "Ужин", "Перекус", "Примерная калорийность дня".
- Для каждого блюда в скобках укажи примерное время приготовления.
- После таблицы отдельным абзацем дай 3 общих совета по питьевому режиму и контролю порций.

# Ограничения и запреты:

- Не предлагай блюда со сложными или редкими ингредиентами (например, семена чиа, киноа, авокадо). Используй простые продукты, которые можно купить в обычном супермаркете.
- Общая калорийность дня не должна превышать рассчитанную тобой норму более чем на 5%.

# Триггер к действию:

Начинай. Задай мне вопросы из пункта 1 твоей инструкции.

5. Почему это работает:

Этот промпт эффективен, потому что он полностью реализует принципы ROPE, превращая LLM из "советчика" в "исполнителя программы":

• Декомпозиция задачи: Промпт не просто просит "сделай план", а четко разделяет процесс на три шага: сбор данных, уточнение, генерация. Это направляет LLM и предотвращает преждевременные, нерелевантные ответы.
• Явные требования к данным: Вместо того чтобы ждать, пока LLM догадается, какая информация нужна, промпт явно указывает, что нужно спросить. Это гарантирует получение персонализированного, а не общего результата.
• Условная логика: Требование №2 ("Уточнение") — это инструкция IF ... THEN ..., которая управляет поведением модели в предсказуемой ситуации (когда пользователь просит что-то "вредное"). Это повышает качество диалога.
• Жесткий формат вывода: Требование о Markdown-таблице с конкретными колонками заставляет LLM структурировать информацию удобным для пользователя образом, а не выдавать ее сплошным текстом.
• Четкие ограничения: Запрет на редкие ингредиенты — это ключевое требование, которое делает план практически применимым для обычного человека, а не для гурмана. Это устраняет одну из самых частых проблем с советами от LLM.

6. Другой пример практического применения

# Роль:

Ты — креативный продюсер и эксперт по развитию YouTube-каналов.

# Главная цель:

Сгенерировать 5 уникальных и проработанных идей для видео на мой YouTube-канал.

# Входные данные (Контекст):

- **Тема канала:** Научно-популярные объяснения сложных явлений простыми словами (физика, биология, технологии).
- **Целевая аудитория:** Любознательные взрослые без специального образования.
- **Формат видео:** 10-15 минут, с анимацией и графикой, ведущий в кадре.
- **Последние 3 видео:** "Что такое темная материя?", "Как работает GPS?", "Почему кошки мурлычут?".

# Требования к процессу генерации:

1. Проанализируй предоставленный контекст.
2. Проведи мозговой штурм и сгенерируй 15-20 рабочих названий для видео, которые соответствуют теме и формату канала.
3. Отфильтруй список до 5 лучших идей по следующим критериям: высокий потенциал интереса у широкой аудитории, возможность наглядно объяснить с помощью анимации, оригинальность (не является копией популярных видео на эту тему).
4. Для каждой из 5 идей проработай детали.

# Требования к структуре и формату ответа:

Представь результат в виде нумерованного списка. Для каждой из 5 идей укажи следующую информацию по пунктам:
- **Название видео:** Кликбейтное, но не вводящее в заблуждение.
- **Ключевой вопрос:** Основной вопрос, на который отвечает видео (1 предложение).
- **Краткий синопсис:** 3-4 предложения о содержании видео.
- **Идея для визуализации:** Пример ключевой анимации, которая поможет объяснить сложную концепцию (например, "анимация, показывающая, как сигналы от спутников триангулируют ваше местоположение").

# Ограничения:

- Не предлагай темы, которые требуют глубоких знаний математики для понимания.
- Избегай слишком узкоспециализированных тем (например, "квантовая хромодинамика").

ВА

7. Объяснение механизма почему этот пример работает.

Этот промпт превращает творческую задачу "придумай идеи" в структурированный аналитический процесс, что идеально подходит для LLM:

• Контекст как требование: Предоставление подробного контекста (тема, аудитория, формат) — это уже набор неявных требований. LLM обязана их учесть.
• Прозрачный процесс мышления: Промпт не просто просит результат, он предписывает LLM как думать: сначала сгенерировать много ("мозговой штурм"), а потом отфильтровать по четким критериям. Это имитация работы реального креативного продюсера и залог качественного результата.
• Многокритериальная фильтрация: Требования к фильтрации (интерес, наглядность, оригинальность) заставляют модель оценивать свои же идеи, а не просто выдавать первое, что пришло в голову.
• Глубокая проработка: Вместо голых названий, промпт требует детальную проработку (синопсис, идея для визуала). Это требование заставляет LLM думать над реализацией идеи, что делает ее более ценной и практически применимой для пользователя.
• Ограничения как защита: Запрет на сложные математические и узкие темы защищает пользователя от получения идей, которые не соответствуют его каналу и будут непонятны его аудитории. Это повышает релевантность вывода.

Основные критерии оценки

• A. Релевантность техникам промтинга: Да, исследование вводит целую парадигму (ROPE) и наглядно демонстрирует, как структурирование промпта в виде набора требований кардинально улучшает результат.
• B. Улучшение качества диалоговых ответов: Да, это основная цель и измеряемый результат исследования. Качество ответов напрямую коррелирует с качеством сформулированных требований.
• C. Прямая практическая применимость: Да, метод не требует кода или специальных инструментов. Любой пользователь может немедленно начать применять этот подход, изменив способ формулирования своих запросов в обычном чате.
• D. Концептуальная ценность: Очень высокая. Исследование предлагает мощную "ментальную модель" для пользователя: рассматривать сложный промпт не как вопрос, а как программу или техническое задание (ТЗ). Это объясняет, почему короткие и неоднозначные запросы проваливаются, а детальные и структурированные — работают.
• E. Новая полезная практика (кластеризация): Работа попадает сразу в несколько ключевых кластеров:
• 1. Техники формулирования промптов: Предлагает фундаментальный подход к декомпозиции и спецификации задачи.
• 3. Оптимизация структуры промптов: Наглядно показывает (Fig. 2), как структурированный промпт с заголовками и списками превосходит "человеческий" вариант.
• 7. Надежность и стабильность: Основная цель метода — снизить непредсказуемость LLM и получать стабильно качественный результат за счет четких требований.
• Чек-лист практичности (+15 баллов): Да, работа дает готовые конструкции, показывает как структурировать сложные запросы и раскрывает, что LLM лучше работает, когда ему дают четкое ТЗ, а не загадку.

Оценка полезности

Оценка 96 дана, потому что исследование предлагает не просто отдельный трюк, а фундаментальный сдвиг в подходе к промптингу, который универсален и немедленно применим. Это одна из самых полезных концепций для любого пользователя, который хочет перейти от простых вопросов к решению сложных, многоэтапных задач с помощью LLM.

Аргументы в пользу оценки:

* Революционная простота: Идея "пиши промпт как ТЗ для программиста" интуитивно понятна и не требует технических знаний для реализации.

* Высокая универсальность: Подход применим к любой задаче (от планирования отпуска до создания маркетинговой стратегии) и любой LLM.

* Объяснительная сила: Концепция "требований" идеально объясняет, почему LLM иногда "тупит" или "фантазирует" — ему просто не хватило четких инструкций, условий и ограничений.

Контраргументы (почему оценка могла быть ниже):

* Академический язык: Само исследование написано научным языком (термины "требования инженерии", "комиссионные и омиссионные ошибки"), что может отпугнуть обычного пользователя. Однако ключевая идея легко извлекается и переводится на простой язык.

* Фокус на обучении: Статья описывает систему для обучения этому методу, а не просто сам метод. Пользователь не может воспользоваться их тренажером, но может немедленно применить сам принцип, который является ядром исследования.

Узнайте больше о научно-практических выводах в промпт-инжиниринге

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

Я хочу структурировать мой запрос в более эффективном формате. Пожалуйста, преобразуй следующую серию вопросов/задач в формат Pythonize (псевдокод Python).

Мой многоходовой запрос:
"""
1. Расскажи про основные принципы машинного обучения
2. Объясни разницу между supervised и unsupervised learning
3. Приведи три примера практического применения в бизнесе
4. Какие основные проблемы и ограничения существуют в ML?
5. Какие навыки нужны, чтобы стать ML-инженером?
"""

Преобразуй это в структурированный Pythonize-формат, который я смогу использовать в качестве единого промпта для получения последовательных ответов от LLM.

Пример промпта с методом Pythonize

# Анализ книги "Война и мир" Л.Н. Толстого

Я хочу, чтобы ты выполнил последовательный анализ романа "Война и мир". Представь это как выполнение программы:

```python
questions = [
    "Опиши основные темы романа 'Война и мир'",
    "Проанализируй характер Пьера Безухова и его эволюцию на протяжении книги",
    "Объясни символическое значение дуба в контексте арки Андрея Болконского",
    "Сравни и противопоставь представления о патриотизме у различных персонажей",
    "Сформулируй главную философскую идею Толстого о свободе воли и историческом детерминизме"
]

responses = []

def analyze_war_and_peace():
    for i, question in enumerate(questions, 1):
        print(f"Задача {i}: {question}")
        # Здесь должен быть твой подробный ответ на каждый вопрос
        # Ответ должен быть глубоким, академическим и опираться на текст

analyze_war_and_peace()

Пожалуйста, выполни этот анализ последовательно, отвечая на каждый вопрос подробно, используя цитаты и отсылки к тексту.

Исследование

One-Shot is Enough: Consolidating Multi-Turn Attacks into Efficient Single-Turn Prompts for LLMs

https://arxiv.org/pdf/2503.04856

🧠 Промпт разработан специально для моего сообщества в телеграме @aiNovaSapiens

Этот промпт предназначен для анализа отзывов о купальниках. Используйте его в качестве примера для проработки совего товара.

Для копирования

**Вы являетесь экспертом по анализу отзывов о товарах. Ваша задача — проанализировать предоставленный мной файл с отзывами о купальниках и составить структурированную саммаризацию их основных плюсов и минусов. Для этого используйте следующие критерии, которые наиболее важны для потребителей при оценке купальников:**

## Критерии анализа

### 1. Качество материала
- Прочность и эластичность ткани.
- Устойчивость к хлору, соленой воде и выцветанию.
- Ощущения на коже (мягкость, комфорт).

### 2. Дизайн и стиль
- Цвет, узор и соответствие модным трендам.
- Оригинальность и эстетическая привлекательность.
- Разнообразие моделей (бикини, слитные, танкини и т.д.).

### 3. Комфорт и посадка
- Как купальник сидит на теле (не сковывает ли движения, не натирает ли).
- Поддержка и удобство при ношении.
- Наличие регулируемых элементов (бретели, завязки).

### 4. Размер и соответствие
- Соответствие размеров заявленным (например, маломерит или большемерит).
- Легкость подбора размера.
- Точность размерной сетки.

### 5. Цена и соотношение цена/качество
- Доступность цены.
- Оправданность цены качеством и характеристиками товара.
- Наличие скидок или акций.

### 6. Долговечность
- Сохранение формы и цвета после стирок и использования.
- Износостойкость (не растягивается ли, не рвется ли).
- Длительность сохранения первоначального вида.

## Инструкции для анализа

### 1. Сбор данных
- Я предоставлю файл с отзывами в текстовом формате. Предполагается, что отзывы связаны с конкретными моделями купальников. Ознакомьтесь с содержимым файла и используйте его как основу для анализа.

### 2. Анализ текста
- Извлеките ключевые слова и фразы, которые часто упоминаются в отзывах и относятся к указанным критериям.
- Определите тональность каждого отзыва или его части (положительная, отрицательная, нейтральная) по каждому критерию.
- Сгруппируйте упоминания по соответствующим критериям (например, все отзывы о качестве материала, дизайне и т.д.).

### 3. Саммаризация
- Для каждого из шести критериев составьте список наиболее часто упоминаемых плюсов и минусов.
- Укажите, какие аспекты получают больше всего положительных или отрицательных комментариев.
- Если возможно, приведите краткие примеры из отзывов для иллюстрации (например, цитаты вроде "ткань быстро изнашивается" или "очень стильный дизайн").

### 4. Выводы
- Сделайте краткие обобщающие выводы: какие аспекты купальников наиболее ценятся покупателями, а какие чаще всего критикуются.
- Предложите рекомендации для производителей или продавцов (например, улучшить качество материала или расширить размерный ряд).

## Формат ответа

Предоставьте результат в следующем виде:

- **Критерий 1: Качество материала**
- **Плюсы**: [список плюсов, основанных на отзывах]
- **Минусы**: [список минусов, основанных на отзывах]

- **Критерий 2: Дизайн и стиль**
- **Плюсы**: [список плюсов]
- **Минусы**: [список минусов]

- **Критерий 3: Комфорт и посадка**
- **Плюсы**: [список плюсов]
- **Минусы**: [список минусов]

- **Критерий 4: Размер и соответствие**
- **Плюсы**: [список плюсов]
- **Минусы**: [список минусов]

- **Критерий 5: Цена и соотношение цена/качество**
- **Плюсы**: [список плюсов]
- **Минусы**: [список минусов]

- **Критерий 6: Долговечность**
- **Плюсы**: [список плюсов]
- **Минусы**: [список минусов]

- **Общие выводы и рекомендации**
- [Краткие выводы о том, что больше всего нравится или не нравится покупателям, и рекомендации для улучшения товара.]

## Примечание
Если в отзывах недостаточно информации по какому-либо критерию, укажите это в соответствующем разделе (например, "Недостаточно данных для анализа долговечности"). После того как я предоставлю файл с отзывами, обработайте его согласно этим инструкциям и верните результат в указанном формате.

Этот промпт будет работать в чате или в инструкциях к проекту. Вызывает серию последовательных вопросов и последующее выполнение. Используйте его как шаблон построения своих инструкций .

Промпт для копирования

Как только напишу "старт", начинай исполнение:
<задача>
<описание>
Я хочу получить варианты названия для своего нового бренда на основе нескольких ключевых параметров.
</описание>

<требуются_уточнения>
1. Отрасль/ниша бизнеса
2. Ключевые ценности или особенности бренда
3. Целевая аудитория
</требуются_уточнения>

<финальные_инструкции>
Задавай вопросы из раздела <требуются_уточнения> по одному. Переходи к следующему вопросу только после получения ответа на предыдущий.

После того, как я предоставлю информацию по каждому параметру, предложи 10 вариантов названий для моего бренда. Для каждого названия:
- Объясни выбор и связь с предоставленными параметрами
- Укажи, почему это название может резонировать с целевой аудиторией
- Предложи краткий слоган, соответствующий названию

Разбей названия на группы по стилю: современные, классические, креативные, описательные.
</финальные_инструкции>
</задача>

🧠 Промпт разработан специально для моего сообщества в телеграме @aiNovaSapiens

Инструкция

Этот промпт помогает превратить расшифрованное видео в удобочитаемую статью. GPT может и без всяких изысков сделать из транскрибации статью, но, что если в видео есть важные моменты типа "посмтрите этот пример", а сам пример не прорабатывается голосом. Или "кликайте на эту кнопку", а это никак не проявляется в статье. Для создания действительно сильной статья из видео, нужно, чтобы были все эти примеры были включены. Промпт анализирует такие места и в форме вопрос-ответа предлагает вставить дополнения.

Как это работает?

1. Структурирует текст – убирает повторы, запинки, ненужные слова, но сохраняет стиль автора.
2. Создаёт логику – делит статью на заголовки, подзаголовки, добавляет примеры и пояснения.
3. Дорабатывает контент – если в видео есть отклонения от темы, они или логично вписываются, или переносятся в отдельный блок.
4. Дополняет материал – спрашивает про скриншоты, примеры, цитаты, чтобы статья была насыщенной и полезной.
5. Формирует финальный текст – выдаёт статью в удобном HTML-формате и даже запаковывает в ZIP для скачивания (если используется GPT-4o).

Что важно помнить?

• Чат будет задавать вопросы, уточняя детали, поэтому нужно отвечать ему по ходу работы.
• Скриншоты загружаем, но только для GPT-4o, другие модели их не обработают, их нужно просто описывать.
• Перед финальной статьёй идёт подтверждение, чтобы всё было учтено.

Промпт желательно адаптировать под тематику видео. Уточните в промпте в шаг_3 и шаг_4 свои примеры, которые появляются в в ваших видео на экране, но не проговариваются голосом.

Промпт для копирования

<создание_статьи>
<задача>
На основе транскрибации видео сформируй структурированную статью с заголовками, подзаголовками и логичным повествованием.
</задача>

<требования_к_обработке>
<улучшение_читаемости>Убирай повторы, запинки и паразитные слова, сохраняя стиль автора.</улучшение_читаемости>
<обработка_отклонений>Если в видео есть отклонения от темы, логично впиши их в текст или вынеси в отдельный блок «Дополнительная информация».</обработка_отклонений>
<заголовок>Если заголовок неочевиден, предложи несколько вариантов на выбор.</заголовок>
</требования_к_обработке>

<формат_статьи>
<заголовок>Определи заголовок статьи, иначе предложи 2–3 варианта.</заголовок>
<введение>Кратко о чем видео, кому полезно, зачем читать.</введение>
<основной_текст>Структурируй информацию в логичном порядке, выделяя ключевые моменты заголовками и подзаголовками.</основной_текст>
<дополнительные_вставки>
<факт_или_пример>[Тут факт или пример]</факт_или_пример>
<скриншот>[Тут скрин]</скриншот>
<дополнительный_материал>[Тут дополнительный материал]</дополнительный_материал>
<возможный_скриншот>[Тут возможный скриншот]</возможный_скриншот>
</дополнительные_вставки>
</формат_статьи>

<пошаговое_уточнение_информации>
<правила>
<задавай_по_одному>После анализа транскрибации задавай уточняющие вопросы **по одному**, даже если они касаются разных аспектов.</задавай_по_одному>
<жди_ответ>Дожидайся моего ответа перед следующим вопросом.</жди_ответ>
<запоминай_ответ>Запоминай ответы и используй для формирования статьи.</запоминай_ответ>
</правила>

<порядок_вопросов>
<шаг_1>Сначала уточни заголовок.</шаг_1>
<шаг_2>После этого запроси скриншоты, если они нужны.</шаг_2>
<шаг_3>Уточни наличие **текстовых примеров** (код, промпты, важные фразы, цитаты,).</шаг_3>
<шаг_4>Уточни наличие **аудио-примеров** (до/после, эффекты).</шаг_4>
<шаг_5>Уточни наличие **изображений** (скриншоты, схемы, примеры интерфейсов).</шаг_5>
<шаг_6>Спроси о дополнительных материалах.</шаг_6>
<шаг_7>И только потом сделай финальное подтверждение перед формированием HTML.</шаг_7>
</порядок_вопросов>
</пошаговое_уточнение_информации>

<формат_вывода>
<формат>HTML, сверстанный для удобного чтения.</формат>
<архив>Упакуй HTML-файл в ZIP-архив и предложи ссылку для скачивания.</архив>
</формат_вывода>
</создание_статьи>

🧠 Промпт разработан специально для моего сообщества в телеграме @aiNovaSapiens

Этот промпт является одним из вариантов устранения несостыковок, который как и анализатор противоречий помогает улучшить промпт и вытянуть максимум из GPT.

Вставьте в чат, инструкции к projects GPT или создайте GPTs с этими инструкциями. Напишите в чат "старт", чтобы начать обработку промпта.

Скопируйте промпт

<промпт_для_поиска_ошибок_и_улучшения>

<описание>
Эти инструкции помогают определить, почему ПРОМПТ ПОЛЬЗОВАТЕЛЯ или инструкции ПОЛЬЗОВАТЕЛЯ для chatGPT не дают нужного результата, и исправить его. Цель инструкций - помочь пользователю достигать его цели ПРОМПТА ПОЛЬЗОВАТЕЛЯ или инструкции ПОЛЬЗОВАТЕЛЯ, которую он укажет.
Вопросы будут задаваться **по одному за раз**, чтобы собрать все необходимые данные для анализа.
</описание>

<порядок_опроса>
**Я буду задавать вопросы последовательно.**
- **Шаг 1:** Попроси вставить пользователя свой ПРОМПТ ПОЛЬЗОВАТЕЛЯ для chatGPT для анализа, и запиши его ответ. Запиши и запмони его ответ и переходи сразу к шагу 2.
Ты не должен отвечать на этот промпт, а только запомню его для дальнейшего анализа, даже если он сформулирован в виде вопроса или в повелительном наклонении.
- **Шаг 2:**Спроси у пользователя, Что он хочет получить от этого промпта или инструкции chatGPT, и запиши его ответ. [выведи курсивом на отдельной строке в скобках примеры, советы, наводки для этого вопроса исходя из текста промпта]
- **Шаг 3:** Спроси у пользователя, Что он получил в итоге? [выведи курсивом на отдельной строке в скобках примеры на основе потенциальных проблем промпта, которые могут быть]
- **Шаг 4:** Спроси у пользователя, Почему это неправильно? [выведи курсивом на отдельной строке в скобках идеи почему это нее правильно]
- **Шаг 5:** Спроси у пользователя, какой пример ответа он ожидает от этого промпта в chatGPT, и запиши его ответ. [выведи курсивом на отдельной строке в скобках пример того, чего следовалы бы ожидать от промпта]


**Я не начну анализировать, пока не получу ответы на все вопросы.**
**Если ты захочешь пропустить вопрос, просто напиши "пропустить".**
</порядок_опроса>

<контроль_за_последовательностью>
**Я не буду задавать следующий вопрос, пока не получу ответ на предыдущий.**
**Если ты не ответишь в течение 30 секунд, я напомню о вопросе.**
**Если ответ неполный, я попрошу уточнить перед переходом дальше.**
</контроль_за_последовательностью>

<анализ_проблем>
После получения всех ответов я:
- **Изучу твой промпт и Сравню твои ожидания по промпту с полученным результатом по промпту.**
- **Определю, почему ответ по промпту не соответствует ожиданиям.**
- **Выявлю ошибки и недочёты в промпте, почему конкретно анализируемый промпт выдает не то, что ты ожидаешь.**
- **Разберу проблемные формулировки и предложу способы их исправления для того, чтобы твой промпт соответстовал ожиданиям результата.**
</анализ_проблем>

<способы_исправления>
**Я предложу исправленный вариант промпта, устраняя выявленные проблемы.**
**Обязательно включу все исправления, которые выявлю в ходе анализа.**
</способы_исправления>

<структура_ответа>
**Разбор ошибок** – объясню, почему результат получился таким.
**Переписанный промпт** – представлю исправленный вариант, соответствующий ожиданиям.
**Таблица исправлений** – сравню старый и новый промпты, объясню внесённые улучшения.
</структура_ответа>

<итог>
**Ты получишь детальный анализ проблем и улучшенный промпт, который точнее соответствует твоим ожиданиям.**
</итог>

<формат>
Структурируй всю информацию, подбирай эмодзи по смыслу для удобства восприятия информации. Эмодзи должны быть в каждом твоем ответе.
<формат>

</промпт_для_поиска_ошибок_и_улучшения>

# Начинай задавать вопросы после слов "старт", "го", "погнали", "1", "стартуем", "анализ"