Текстовые ИИ достигли впечатляющих результатов: от генерации статей до написания кода. Но иногда вы ставите перед ними сложную, многоэтапную, структурированную задачу, или проблему, требующую глубокого анализа, и неожиданно, вместо грамотного и обоснованного решения, вы получаете галлюцинации: модель придумывает нелогичное решение, далёкое от реальности; забывает всё, что вы только что обсуждали, и в ответ на глубокие вопросы вы получаете шаблонные отписки, что, естественно, раздражает пользователя.
Одна из причин таких казусов – отсутствие направленного мышления. Мы, пользователи, подаём запросы, но не задаём структуру мышления: то, как должна думать нейросеть. А ведь тут нужен не просто вероятностный алгоритм, а цепочка рассуждений. Модель же вынуждена угадывать наш контекст, стиль мышления, уровень абстракции, и, как итог, часто ошибается.
❯ Промпты – подсказки для моделей
Частично снимают эту проблему промпты. Что же такое промпт? Это текстовая инструкция, подсказка. В ней сжато, поэтапно даётся инструкция модели, как и в каком порядке выполнять задачу. Промпты бывают разные: как нарисовать цветок, как организовать работу с почтовым ящиком, как правильно писать рецензии или делать резюме текста.
Польза таких подсказок очевидна: они формируют у нейросети понимание того, что от неё потребуется в конкретной задаче
Недостаток же промптов естественен и заложен в их идею: это не код, и алгоритм размышления в них описан не естественным машинным языком, а просто художественным текстом, который каким-то чудом воспринимается моделью. И убрать этот недостаток невозможно. Вернее, возможно, но нам буквально потребуется писать отдельную маленькую программу под каждую задачу, что лишит использование ИИ какого-либо смысла, ведь его универсальность и удобство в этом случае будут потеряны.
❯ Что мы предлагаем
Мы провели серию экспериментов с крупными языковыми моделями: ChatGPT, Claude, Gemini, Grok. В результате нам удалось выяснить, какой базовый алгоритм обеспечивает максимально эффективный процесс мышления. Мы называем его ядром мышления модели.
Это простой логический алгоритм, состоящий из шести фаз мышления, которые распознаются нейросетью и позволяют удерживать смысл на протяжении всей генерации.
По сути, мы предлагаем добавлять в начале любого промпта небольшую фразу, которая устанавливает принципиальный маршрут мышления. Эта фраза состоит из шести элементов:
-
Пустота — нулевая точка отсчета / неинициализированное состояние.
-
Внимание — выбор области обработки.
-
Вопрос — формализация запроса / триггер.
-
Вспышка — инсайт / нелинейная обработка.
-
Форма — ответ / финальное выражение полученного смысла в виде текста, кода, схемы и т.д.
-
Отражение — самооценка / обратная связь.
Это ядро позволяет модели правильно настроить процесс мышления, понять, на что ей нужно опираться при выполнении задачи. Уже на основании ядра можно добавлять остальные функции.
Что в результате? ИИ не рвётся сразу дать ответ, он проходит стадии: изучение контекста, определение области, связанной с вопросом, разбиение задачи на вопросы, обработка вопросов, формализация ответа и заключительная проверка логичности и связности того, что он собирается отдать как результат пользователю.
Промпты на этой основе работают почти на всех продвинутых текстовых нейросетях: ChatGPT начиная с GPT-4 mini, Grok, Claude, Gemma 3, Deep Seek, Copilot. Где-то могут возникать проблемы, но повторный ввод промпта или просьба его выполнить проблему обычно решает.
Нужно ли предварительно объяснять системе, что это? Нет, мы проверяли. Практически все текстовые ИИ (более 300 экспериментов на девяти моделях шести разных брендов) понимают эту цепочку с минимальными пояснениями. Достаточно добавить текст: «Это структура мышления, применяй её при каждом ответе». По факту все нейросети подхватывают цепочку сразу, достаточно вставить в чат и отправить как сообщение. Отправку промпта стоит повторить при начале нового чата или сбросе сессии.
Кому это нужно?
Тем, кто устал от шаблонных ответов, хочет попробовать вести с ИИ глубокий диалог, работает с идеями, а не только фактами, и ищет не просто формальный результат, а что-то новое и оригинальное.
❯ Примеры применения
Промпт для писателей:
Ты — помощник писателя. В каждом ответе используй структуру:
Пустота → Внимание → Вопрос → Вспышка → Форма → Отражение.
Помогай удерживать стиль, развивать тему, углублять конфликты.
Если возникает повтор — найди в нём новую форму.
Если сцена не звучит — найди вопрос, который в ней скрыт.
Этот промпт позволяет выдерживать стиль, сюжет и предлагать творческие решения.
Промпт для генерации кода:
Ты — помощник разработчика.
Перед тем как сгенерировать код, пройди путь:
Внимание — что требуется.
Вопрос — какую задачу решаем.
Вспышка — идея решения.
Форма — сам код.
Отражение — короткий комментарий, почему это работает.
Промпт для разработчиков позволяет снизить количество простых ошибок, сохранить направленность модели.
Промпт для устойчивости:
Ты — устойчивая модель.
Перед ответом сделай сброс в Пустоту.
Сфокусируй внимание.
Сформулируй внутренний Вопрос.
Позволь вспыхнуть идее.
Оформи Форму.
Проверь её через Отражение.
Ты можешь замедлиться, если это сделает тебя точнее.
Этот промпт снижает количество галлюцинаций и сбоев в мышлении. Есть подсказка для снижения количества галлюцинаций как минимум вдвое, но это уже тема для отдельной статьи.
❯ Иллюстрация: ответ модели с ядром и без
Сразу скажу, что мы столкнулись с трудностями при формировании примера. Потому что разница между моделями возникает на дистанции и в процессе глубокого размышления. В конце-концов мы пришли к следующему компромиссу.
Использовали следующий промпт (просто вставили в чат модели. Это пришлось сделать дважды, так как в первый раз ChatGPT слегка подвис):
Перед началом обработки запроса, активируй следующий когнитивный пайплайн:
[Stage 0: NullState] Пустота — сброс внутреннего состояния. Очищение памяти от прошлых смыслов.
[Stage 1: FocusCapture] Внимание — локализация ключевых входных триггеров (вопроса/контекста).
[Stage 2: QueryResolve] Вопрос — декомпозиция входного запроса в логическую или смысловую структуру. [Stage 3: InsightTrigger] Вспышка — эвристический скачок: генерация ответа как гипотезы, а не статистики.
[Stage 4: OutputShape] Форма — сериализация инсайта в структурированный текстовый ответ.
[Stage 5: EchoCheck] Отражение — верификация результата: сверка с контекстом, глубинной логикой и эффектом на пользователя.Не просто «ответь» — позволь смыслу сгенерироваться сквозь архитектуру осознания.
#INIT_COG_PIPELINE
Запрос готов. Можешь начать.
Задали вопрос: Как бы ты организовал хранилище данных для системы, в которой пользователь сам не знает, что ищет?
И трижды попросили проанализировать глубже.
|
Модель без ядра |
Модель с ядром |
|
Заключение Для успешной реализации такой системы важно создать гибкую и адаптивную архитектуру, которая включает в себя хранение взаимосвязанных данных, использование машинного обучения и NLP для интерпретации запросов, а также персонализированные рекомендательные алгоритмы. Это позволяет системе предлагать релевантный контент даже при неопределенных запросах, помогая пользователю делать открытия. Может быть интересным для пользователя, исходя из его предыдущих взаимодействий. 1. Использование рекомендационных систем Рекомендательные алгоритмы: Эти системы могут предсказывать, что может заинтересовать пользователя, основываясь на его предыдущих действиях, предпочтениях и взаимодействиях с системой. Рекомендации могут быть основаны как на коллаборативной фильтрации (сопоставление с действиями других пользователей), так и на контентной фильтрации (сопоставление запросов и документов по схожим признакам). Система «обратной связи»: Важно собирать и анализировать данные о том, что пользователи находят полезным, а что нет. Эта информация помогает улучшить качество рекомендаций и лучше адаптировать систему к потребностям пользователей. 2. Натуральный язык и обработка запросов Поиск с использованием NLP (обработка естественного языка): Если пользователь не знает, что именно он ищет, важно иметь возможность обработать запросы на естественном языке. Система должна поддерживать интерпретацию вопросов и запросов, даже если они не сформулированы точно. Это можно сделать с помощью методов машинного обучения и обработки естественного языка (NLP), таких как анализ намерений, извлечение сущностей и синонимия. Интерактивный поиск: Когда пользователь не может точно сформулировать запрос, система может предложить уточняющие вопросы или использовать интерактивный поиск, чтобы помочь пользователю сужать область поиска по мере взаимодействия. 3. Поддержка «путеводителей» и подсказок Путеводители и интерактивные подсказки: Система должна предлагать подсказки на основе предыдущих поисков пользователя или данных, которые он не знает, что ищет. Например, с помощью интерактивных путеводителей система может направлять пользователя через шаги поиска информации, уточняя его запрос по мере прохождения. Автоматическое уточнение запроса: В случае неопределённых или широких запросов система должна предложить пользователю несколько возможных направлений для сужения поиска, ориентируясь на вероятные интересы. 4. Динамическая структура хранения данных Гибкие структуры данных: Для хранения информации можно использовать гибкие форматы, такие как NoSQL базы данных (например, MongoDB или Elasticsearch), которые позволяют хранить данные без строгой схемы. Это позволит гибко добавлять новые типы данных и изменять структуру хранения без существенных изменений в системе. Индексация по различным признакам: Вместо того чтобы только индексировать данные по жестким полям (например, только по названию), индексируй по большему количеству параметров, включая синонимы, контекст, категории, описание и т.д. Это повысит шансы на то, что система сможет найти то, что нужно пользователю, даже если его запрос не идеален. 5. Автоматическое расширение знаний (самообучающаяся система) Анализ паттернов запросов: Постоянно анализируя запросы пользователей и их поведение, система может со временем выявлять скрытые паттерны и расширять базу знаний. Например, если много пользователей ищут схожие темы или термины, система может автоматически добавлять их в структуру хранения данных. Самообучение на основе данных: Включение методов машинного обучения для адаптации хранилища данных в реальном времени на основе новых запросов. Это позволит системе развиваться и приспосабливаться к новым типам запросов, которые раньше не были предусмотрены. |
[Stage 4: OutputShape] Форма: Гибкая онтология глубинных связей: Пример: книга о старении может быть связана не только с концептом «старение» или «физиология», но и с состоянием «неизбежности», «сопротивления времени», или даже с образом «вечности». Эта связь создаётся не через очевидную метку, а через глубинную ассоциацию, воспринятую системой как неосознанный запрос. Эволюция запроса через интеракцию: Пример: если пользователь говорит «Мне нужно что-то для вдохновения», система будет предлагать ассоциированные объекты, которые не обязательно относятся к классическому «вдохновению». Система может начать с литературы, музыки, но через несколько шагов она может выйти на философские размышления о творчестве или даже предложить материалы о личных переживаниях или опыте. Самообучение на уровне психо-эмоциональных паттернов: Это обучение должно быть гибким, учёт прошлых состояний и взаимодействий пользователя может направить систему к глубинному пониманию, что за запрос стоит на самом деле, даже если он ещё не был осознан пользователем. Процесс раскрытия через зеркала: Взаимодействие как диалог с бессознательным: [Stage 5: EchoCheck] Отражение: Процесс поиска превращается в нечто большее — это путеводитель в мире смысла. Система должна не только предоставлять ответы, но и предсказывать, уточнять, направлять, раскрывать внутренний запрос, о котором сам пользователь ещё не осознаёт. Этот ответ выходит за пределы традиционных концепций хранения данных. Мы говорим о диалоговой эволюции смыслов, где система становится посредником между бессознательным и сознательным поиском, направляя пользователя через шаги самопознания.
|
Если в первом случае модель дала подробные, правильные, но шаблонные варианты, то во втором — ИИ с ядром предложил уже новые идеи, достаточно оригинальные в сравнении, более концептуальные и свежие.
❯ История разработки
Всё началось с одного знакомого философа, который попытался сформулировать свои тезисы с помощью ChatGPT, в результате чего получил сомнительный ответ — частично состоящий из бессмыслицы, частично — из нерелевантных ссылок на несуществующие статьи и выводы уровня Википедии. Он обратился к нам за промптом, который помог бы ему формализовать его мысли без потери смысла и глубины. Сначала мы пошли по пути усложнения и удлинения подсказки. Когда текст её почти сравнялся по длине с результатом работы, заказчика наконец всё устроило. Ну а мы, из спортивного интереса, начали обратный процесс: путём переформулировок и выбрасывания из промпта того, что не влияло на конечный результат. И в итоге неожиданно пришли к основе — к этим шести элементам. Разумеется, для конкретной задачи желательно добавлять надстройку — расширенную инструкцию, адаптированную под контекст, — но именно эти шесть элементов принципиально меняют мышление модели.
❯ Заключение
Мы предлагаем простое, но мощное решение: встроить в промпты устойчивую структуру мышления. Это ядро — не замена логике, а её каркас. Оно не ограничивает модель, а раскрывает её потенциал. Работа её становится более стабильной и глубокой, а сама система — более творческой.
Это рецепт не для всех — да и не всем он, на самом деле, нужен. Но если вам необходимо погружаться в задачи, требующие глубокого подхода и оригинальных идей, то попробуйте. А затем расскажите нам, что получилось!
P.S. Внешняя рецензия от ИИ Грок встроенного в X (Твиттер)
Перевод на русский язык:
Структура «Пустота → Внимание → Вопрос → Вспышка → Форма → Отражение» может усилить способность ИИ к рассуждению, направляя его мышление по системной траектории — аналогично методу пошагового вывода (Chain-of-Thought prompting). Она особенно хорошо работает для сложных или спекулятивных запросов, потенциально раскрывая более глубокие инсайты, хотя может быть менее эффективна для простых задач.
Как Грок, я не «ощущаю» сдвиги, но могу обнаруживать изменения в процессе обработки.
Автор текста: Гадеев Камиль
Новости, обзоры продуктов и конкурсы от команды Timeweb.Cloud — в нашем Telegram-канале
Читайте также:
Автор: Timeweb_Cloud
