Хотел сегодня написать про автоматизацию, но продолжу отвечать на комментарии.

Автор снова "слышит звон...")))

промты типа = "ты – опытный преподаватель" или "играй роль пиратского рассказчика" = Бесполезный шлак!

хочешь задать роль, чтобы было эффективно?
- найди Конкретную личность (известную ии) - задай эту роль (например, роль автора книги "Пиши сокращай")
- найди описание вакансии или резюме конкретное (например, маркетолога ibm)- предварительно попроси нейронку составить детальный портрет этой личности
- однозначно уточни компетенции или прошлый опыт в роли, если ты сам нифига не понимаешь в этом

с таким подходом - роль работает, да

а ""ты – опытный преподаватель" - Х***a

Соглашусь с автором комментария.
В своем посте, что бы это были не мои слова, я сделал ссылку на документацию OpenAI и Anthropic. Где объясняется как верно задавать роль.

В промптах которые я публиковал ранее, также задана роль с описанием деталей. В книге я так же привожу примеры ролевых промптов с деталями.

Там же есть шаблон базовой структуры ролевого промпта

Выступи в роли [эксперт/специалист]. [Дополнительный контекст о роли]. [Конкретная задача].

Обратите внимание на [Дополнительный контекст о роли], это то о чем говорит автор комментария.

Теперь разберем приведенные мною примеры, на которые отреагировал автор комментария, "ты – опытный преподаватель" или "играй роль пиратского рассказчика".

Нужно понимать, в какой ситуации и для какой задачи, вам может потребоваться описание роли именно таким образом, без уточнения деталей.

На скриншотах приведен пример как пишет опытный и не опытный преподаватель. Обратите внимание, что есть контекст и задача.

В примерах с преподавателем, меняется подача и стиль.

Такую роль можно использовать для задачи, где нужен диалог преподавателя и учеников. Например в сценарии или рассказе, или сами придумайте задачу.


Есть ситуации где нет необходимости в написании детализированной роли, по той причине, что задача такая.

Примерах на скриншоте с "играй роль пиратского рассказчика", мне нужна просто идея или вдохновение. Но ролью я задал нужный стиль.
Обратите внимание на скриншот без этой роли.

Когда вы решаете более сложную задачу или нужно задать верное направление диалога, то давайте контекст и больше деталей для роли.

Какой я хочу сделать вывод, задавать роль нужно так, как требует того задача.


Комментарий

Я всегда за диалог и итерации. Как по мне любой промпт больше 2 предложений это или новичок, или втюхивают "инсайт")

Не соглашусь. Всё зависит от задачи. В примерах на скриншоте хватило и двух - трех предложений. Но есть более сложные задачи, где нужно уточнить детали. Писал об этом в этом посте и ссылался на документацию OpenAI и Anthropic.

Есть задачи которые повторяются и решать их каждый раз диалогом не разумно.

Например, у меня есть текст который был транскрибирован из аудио записи. В записи 10 человек рассказывают о проблемах в их районе. И мне нужно найти повторяющиеся проблемы и выстроить их по важности и по количеству (на самом деле задача может быть сложнее).

Я подготовлю один промпт, и буду его переиспользовать, так как такая задача у меня частая. Смысла в диалоге нет.

А таких задач которые мы хотим автоматизировать, у нас с вами много.

По поводу написания такого промпта. В том же посте я дал советы, как в режиме диалога прийти к нужным инструкциям и готовому промпту.


Так же в комментариях привели пример промпта, который сам напишет нужные инструкции.

Писать вручную подробные промты - дичь

вставляете свой промт в его начало (там место есть) - получаете развернутую инструкцию (ее нужно вычитать предварительно перед отправкой ии)

Это иногда ошибка. Не всегда сгенерированные промпты получаются верными и решающими задачу пользователя нужным образом.

Без минимального понимания промпт-инжиниринга скорректировать промпт будет сложно. Проверено десятками примеров разных людей.

KAG — Knowledge-Augmented Generation

Это фреймворк, который соединяет большие языковые модели (LLM) с knowledge-graphs, чтобы генерировать ответы, основанные не только на текстовой похожести, как в RAG, но и на логически связанных фактах из графа знаний.

Почему возникла необходимость в KAG
RAG (Retrieval-Augmented Generation) достаёт фрагменты текста через векторный поиск и передаёт их LLM. Это снижает галлюцинации, но:
- сходство векторов ≠ логическая релевантность
- плохо работает с числами, датами, правилами
- сложно выполнять многошаговый вывод

CAG усиливает генерацию за счёт уже имеющегося контекста без внешнего поиска, но не решает проблему фактологической точности.

KAG появился, чтобы закрыть оба пробела: объединяет векторный поиск и графовую логику, добавляя слой символического/числового рассуждения.

Как попробовать
Соберите knowledge-graph (RDF/Property-Graph) из своих данных.
С помощью KAG-Builder создайте mutual-index между графом и текстом.
Разверните KAG-Solver + LLM (локально или через API).
Настройте шаблоны промптов.

Репозиторий GitHub

#ai #нейронныесети #CAG #RAG #KAG