Речник по Prompt Engineering

Речник по Prompt Engineering (Част-5)

Част 5 (Термини 41–50) Изцяло фокусирани върху техники, методологии и концепции от Prompt Engineering.

Част-1 | Част-2 | Част-3 | Част-4

 

Можете да чуете тази статия в съкратен вариант като ПОДКАСТ

 

 

Обобщение:

Тази част е фокусирана върху авангардни техники и методологии в Prompt Engineering. Всеки термин представя специфична стратегия за взаимодействие с LLM, насочена към повишаване на прецизността, адаптивността и автономността на отговорите чрез структуриран дизайн на промпта.

Списък на темите:

41. PSP – Persona-Specific Prompting
→ Промптове, адаптирани към конкретна роля или професионален профил.

42. PoT – Program of Thought
→ Разсъждение чрез псевдокод или скрипт; структуриране на логика чрез програмиране.

43. SPP – Self-Prompting Paradigm
→ Моделът сам генерира подпромптове за анализ и изпълнение на сложни задачи.

44. TAPA – Task-Aligned Prompt Architecture
→ Архитектура на промпта според типа задача (класификация, генерация, сравнение и др.).

45. MiP – Minimal Instruction Prompting
→ Минималистични промптове за тестване на вградените способности на модела.

46. QPoT – Question-based Program of Thought
→ Мисловен процес чрез поредица от логически въпроси (въпрос → отговор → следващ въпрос).

47. SCRIP – Structured Contextual Retrieval for In-Context Prompting
→ Строго структуриран промпт с retrieved контекст (напр. background → правила → задача).

48. GRIFFIN – Guided Reasoning with Iterative Feedback and Fine-Instructions
→ Итеративно ръководене на модела чрез обратна връзка и фини инструкции.

49. PORE – Prompt Output Reflection and Evaluation
→ Моделът анализира, оценява и подобрява собствения си отговор.

50. FoG – Focus-on-Goal Prompting
→ Целево ориентиран промпт, изчистен от ненужен контекст или обяснения.

 

41. PSP – Persona-Specific Prompting

Обяснение:
Техника за създаване на промпт, персонализиран към определен профил или роля – например: учител, маркетолог, CEO. Използва се за адаптация на стил, език и очаквания.

Примери:

  • „Представи си, че си главен финансов директор. Как би отговорил на това писмо?“

  • Промпт, ориентиран към начинаещ програмист vs. senior developer.

  • Емпатичен тон към пациент в медицински контекст.

Разширени примери:

  • За UX дизайнер: „Кои проблеми виждаш в този UI екран като UX дизайнер?“

  • За студент: „Как би обяснил този термин на състудент от първи курс?“

  • За юрист: „Какви са правните рискове според теб?“

Контекст и употреба:

  • User-centric LLM дизайни
  • Chatbot персонализация
  • Ролеви симулации

42. PoT – Program of Thought

Обяснение:
Подобно на Chain of Thought, но изразено като програмен код. Моделът разсъждава чрез псевдокод, скрипт или реална функция.

Примери:

  • Решение на математическа задача чрез Python скрипт.

  • Обяснение на логика чрез алгоритмична псевдоструктура.

  • “Формализирай мисловната последователност като функции.”

Разширени примери:

  • “function tax_bracket(income): …”

  • Обяснение на философски аргумент като логическа програма: IF/THEN структури

  • Решение на SQL query стъпка по стъпка

Контекст и употреба:

  • AI reasoning
  • Автоматизация на логика
  • Техническо обяснение на казуси

43. SPP – Self-Prompting Paradigm

Обяснение:
Метод, при който LLM генерира свои собствени подпромптове, за да изясни, преформулира или подобри задачата, преди да отговори.

Примери:

  • Модел: “Ще си задам три подвъпроса, за да мисля по-добре…”

  • Самогенерирани sub-prompts за анализ на текст.

  • Разбиване на сложна задача чрез собствена инициатива.

Разширени примери:

  • AI: „Каква е крайната цел? Какво знам вече? Какво липсва?“

  • Разбиване на дълъг текст на теми → мини-подпромптове

  • Симулация: AI генерира тестови случаи преди решението

Контекст и употреба:

  • Self-improving LLM-и
  • Аналитични агенти
  • Nested prompting стратегии

44. TAPA – Task-Aligned Prompt Architecture

Обяснение:
Концепция за проектиране на промпт структура, в пълно съответствие с вида на задачата – използват се строго дефинирани шаблони по тип: класификация, генерация, сравнение и т.н.

Примери:

  • Prompt за класификация: “Категоризирай в {A,B,C} според правилата…”

  • Генеративна архитектура: {контекст} → {ограничения} → {тон}.

  • Шаблон за сравнение между два сценария.

Разширени примери:

  • Класификация: “Избери между {A, B, C} с обосновка.”

  • Генерация: “{Историята на героя} + {ограничение: до 100 думи}”

  • Сравнение: “Сравни подход А и Б по 3 критерия.”

Контекст и употреба:

  • Prompt стандартни библиотеки
  • Instruction Prompting Pipelines
  • Low-code prompt редактори

45. MiP – Minimal Instruction Prompting

Обяснение:
Умишлено лаконичен промпт, който се фокусира само върху критично необходимата инструкция, за да се тества какво “знае” моделът без допълнителна рамка.

Примери:

  • Просто: “Обясни фотосинтезата.”

  • Изследване на implicit capabilities без few-shot.

  • Минимален въпрос за UX-оценка.

Разширени примери:

  • „Какво е метафора?“

  • „Напиши едно изречение за Втората световна война.“

  • UX тест: “Какво става ако напиша само: ‘създай отчет’?”

Контекст и употреба:

  • Тест на базова способност
  • Микропромптове за UI/UX
  • Zero-shot бенчмарки

46. QPoT – Question-based Program of Thought

Обяснение:
Метод за изграждане на reasoning чрез поредица от логически въпроси, на които моделът отговаря, преди финалния отговор. Подходът засилва последователността.

Примери:

  • “Какво знаем? Какво трябва да открием? Как да го свържем?”

  • Разплитане на задача чрез задаване на въпроси сам на себе си.

  • Въпроси като checkpoints за мисловна логика.

Разширени примери:

  • “Какъв е проблемът? Какви са опциите? Кое е най-ефективно?”

  • При писане на есе: “Какво иска читателят? Какви доводи да използвам?”

  • Симулация на научен подход: хипотеза → въпроси → проверка

Контекст и употреба:

  • Critical thinking LLM-и
  • Обучителни асистенти
  • Chain-of-Question prompting

47. SCRIP – Structured Contextual Retrieval for In-Context Prompting

Обяснение:
Комбинира retrieval от външен източник + вграждане в ICL промпт, но в строго структурирана форма (напр. със секции: background, constraints, examples…).

Примери:

  • “Предишен разговор → правила → твоята задача.”

  • Retrieved контекст се вгражда под строги секции.

  • Prompt scaffolding с контекст от база знания.

Разширени примери:

  • Вграждане на retrieved контекст в секции: “Background, Rules, Task”

  • “Използвай само следната информация…”

  • Customer support: “История на клиента + policy + отговори”

Контекст и употреба:

  • RAG + ICL системи
  • Модели със строга input структура
  • Формализирани enterprise задачи

48. GRIFFIN – Guided Reasoning with Iterative Feedback and Fine-Instructions

Обяснение:
Метод за стъпково водене на LLM чрез итерации, фини насоки и обратна връзка, докато не се достигне точен или оптимален отговор.

Примери:

  • Prompt: “Сега опитай по-кратко. Сега с повече примери.”

  • Разделяне на отговори на версии: 1, 2, 3 – с рефлексия.

  • Учителски feedback loop при обучение с AI асистент.

Разширени примери:

  • Версии на отговор: V1 → V2 → финална ревизия

  • Имитиране на учител: “Оценка: 7/10. Как би го подобрил?”

  • Storytelling: „Сега направи героите по-реалистични.“

Контекст и употреба:

  • AI като наставник / преподавател
  • Self-correction LLM
  • Многостъпкови reasoning tasks

49. PORE – Prompt Output Reflection and Evaluation

Обяснение:
Техника, при която LLM сам анализира своя отговор, идентифицира слабости, пропуски, отклонения – и предлага подобрение.

Примери:

  • “Прецени своя отговор спрямо следните критерии…”

  • Автооценка по шаблон (например CoT + анализ).

  • Prompt + Reflect + Rewrite итерации.

Разширени примери:

  • „Дай 3 неща, които би подобрил в горния отговор.“

  • CoT reasoning + Reflection → нов отговор

  • QA системи: “Има ли противоречия?”

Контекст и употреба:

  • Автономни агенти
  • AI обучение
  • QA системи с рефлексия

50. FoG – Focus-on-Goal Prompting

Обяснение:
Техника, при която всяка част от промпта е насочена директно към крайната цел, като се елиминира страничен контекст или обременяващи уточнения.

Примери:

  • “Не обяснявай, просто създай валиден JSON с тези данни.”

  • “Целта е: кратко мото за рекламна кампания. Само това.”

  • Task-first prompting за интеграции с други системи.

Разширени примери:

  • „Дай само output, без коментари.“

  • „Цел: 3 ключови bullet точки за продажба. Без интро.“

  • API интеграция: “Форматирай само output.”

Контекст и употреба:

  • Output-only задачи
  • Prompt интеграции с API
  • UX без обяснения

Част-1 | Част-2 | Част-3 | Част-4

Вашият коментар

Вашият имейл адрес няма да бъде публикуван. Задължителните полета са отбелязани с *

This site uses Akismet to reduce spam. Learn how your comment data is processed.