Открыть сервисСервис

Промт — запрос к языковой модели

Промт (англ. prompt, от «предупреждение», «подсказка») — текстовый запрос или набор инструкций, который пользователь передаёт языковой модели искусственного интеллекта для получения определённого результата. Термин получил широкое распространение с 2022—2023 годов в связи с массовым использованием генеративных языковых моделей, таких как GPT-4, YandexGPT, GigaChat и другие. Промт определяет задачу, формат ответа, стиль и ограничения, в рамках которых модель должна работать.

История термина

Слово «prompt» в вычислительной технике изначально обозначало подсказку, которую оператор вводил для запуска программы или продолжения диалога с системой. В контексте искусственного интеллекта термин приобрёл новое значение после появления больших языковых моделей (LLM), обученных методом дообучения с подкреплением на основе обратной связи от человека (RLHF). Статья «Language Models are Few-Shot Learners» (2020) исследователей OpenAI показала, что модели могут выполнять разнообразные задачи без дообучения, если правильно сформулировать запрос — так называемый «промпт-инжиниринг» стал отдельным направлением.

В русскоязычной среде термин «промт» закрепился в 2023 году после выхода ChatGPT и появления аналогичных сервисов от Яндекса (YandexGPT, Алиса), Сбера (GigaChat) и других российских компаний.

Виды промтов

По назначению промты делятся на несколько категорий:

  • Системный промт — инструкция, задающая роль модели, её поведение и ограничения. Передаётся до основного запроса и не виден пользователю в интерфейсе.
  • Пользовательский промт — непосредственный запрос человека к модели.
  • Промт для генерации изображений — текстовое описание для нейросетей, создающих картинки (Midjourney, DALL-E, Kandinsky, Шедеврум).
  • Промт для кода — запрос на генерацию, объяснение или рефакторинг программного кода.

По структуре выделяют простые промты (одно предложение) и составные, включающие контекст, примеры желаемого результата (few-shot prompting), роль и ограничения.

Структура эффективного промта

Хорошо сформулированный промт обычно содержит несколько элементов:

  1. Роль — указание, в какой роли выступает модель («ты — редактор», «ты — маркетолог»).
  2. Задача — чёткое описание того, что требуется получить.
  3. Контекст — дополнительная информация, необходимая для выполнения задачи.
  4. Формат — требуемая структура ответа (список, таблица, текст определённого объёма).
  5. Ограничения — запреты и уточнения («не использовать канцелярит», «объяснить простыми словами»).

Пример: «Ты — учитель физики. Объясни принцип работы солнечной батареи простыми словами для школьника 8 класса. Ответ — не более 200 слов, без формул».

Промпт-инжиниринг

Промпт-инжиниринг (prompt engineering) — практика разработки и оптимизации промтов для получения качественных ответов модели. Включает техники:

  • Zero-shot — запрос без примеров.
  • Few-shot — добавление в промт нескольких примеров желаемого результата.
  • Chain of Thought (цепочка рассуждений) — просьба модели показывать ход рассуждений пошагово, что повышает точность на логических задачах.
  • Роль-плей — делегирование модели определённой роли для смены тона и глубины ответа.

В России промпт-инжиниринг преподаётся в ряде IT-курсов и университетских программ, а специалисты по работе с ИИ-инструментами востребованы в маркетинге, разработке и образовании.

Применение

Промты используются для генерации текстов, перевода, программирования, создания изображений, анализа данных, обучения и развлечения. В России сервисы на базе промтов интегрируются в корпоративные системы: Яндекс предлагает инструменты для бизнеса на YandexGPT, Сбера — GigaChat API для разработчиков.

Ограничения

Модель отвечает в рамках того, что заложено в промт и в её обучение. Некорректно сформулированный запрос приводит к «галлюцинациям» — уверенным, но ложным ответам. Слишком абстрактный промт даёт обобщённый результат, а слишком жёсткие ограничения могут исказить смысл задачи.

Источники:

  • Brown T. et al. Language Models are Few-Shot Learners // NeurIPS, 2020.
  • Liu P. et al. Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in NLP // ACM Computing Surveys, 2021.
  • Шедеврум — сервис генерации изображений (Сбер).
  • Документация OpenAI по промпт-инжинирингу.
Заметили ошибку или не согласны с информацией в статье? Напишите нам support@bfometr.ru