ALFA: Согласование больших языковых моделей для постановки правильных вопросов: тематическое исследование клинического рассуждения

Исследование показывает, что большие языковые модели (LLM) плохо справляются с задачей, когда им не хватает информации, потому что они не умеют задавать правильные уточняющие вопросы. Авторы предложили фреймворк ALFA, который обучает модель задавать "хорошие" вопросы, разбив это понятие на 6 конкретных атрибутов: ясность, фокус, релевантность, точность, ответоспособность и избегание предвзятости. В результате обученные модели стали делать на 56.6% меньше ошибок в медицинской диагностике.

Ключевой результат: Явное обучение модели фундаментальным принципам качественного диалога (через декомпозицию на атрибуты) значительно повышает ее способность собирать информацию и принимать верные решения.

Суть метода ALFA, с точки зрения пользователя, заключается в идее, что для получения качественного ответа от LLM, ваш запрос (промпт) должен обладать теми же характеристиками, что и "хороший вопрос" врача к пациенту. Вместо того чтобы писать расплывчатые команды, вы должны конструировать свой промпт так, чтобы он был максимально понятным, сфокусированным и содержал всю необходимую для ответа информацию.

Авторы выделили 6 ключевых атрибутов, которые пользователь может использовать как чек-лист для своего промпта:

Общие атрибуты (применимы везде): 1. Clarity (Ясность): Ваш промпт не должен содержать двусмысленности, сложного жаргона (если он не нужен) или запутанных формулировок. Модель должна точно понять, что вы от нее хотите. 2. Focus (Фокус): Ваш промпт должен быть нацелен на конкретный информационный пробел. Вместо "Расскажи про маркетинг" спросите "Составь SMM-план для кофейни на 1 месяц". 3. Answerability (Ответоспособность): Запрос должен быть таким, чтобы на него в принципе можно было ответить. Не задавайте вопросов, требующих личного мнения модели или информации, которой у нее нет (например, "Что сейчас происходит за моим окном?").

Специализированные атрибуты (адаптируются под задачу): 4. Medical Accuracy (Фактическая точность): В вашем промпте все предоставленные факты и контекст должны быть верными. Если вы даете модели неверные исходные данные, ответ тоже будет неверным. 5. Diagnostic Relevance (Релевантность цели): Вся информация в промпте должна помогать модели достичь конечной цели. Не перегружайте запрос ненужными деталями. 6. Avoiding DDX Bias (Избегание предвзятости): Не подталкивайте модель к желаемому ответу. Вместо "Объясни, почему мой план гениален" спросите "Проанализируй сильные и слабые стороны моего плана".

Практическая методика для пользователя: Перед отправкой промпта проверьте его по этим шести пунктам. Ваш запрос — это инструкция для модели. Чем качественнее инструкция, тем качественнее результат.

• Прямая применимость: Пользователь может немедленно начать использовать 6 атрибутов как ментальный фреймворк или чек-лист для улучшения своих промптов. Например, при постановке задачи на написание текста, можно последовательно проверить: достаточно ли ясна задача? Достаточно ли она сфокусирована? Вся ли релевантная информация предоставлена? Не подталкиваю ли я модель к предвзятому ответу? Это напрямую улучшает качество промпта.

• Концептуальная ценность: Исследование дает ключевое понимание: LLM — это не экстрасенс, а исполнитель. Она плохо работает в условиях неопределенности. Задача пользователя — снизить эту неопределенность, предоставив максимально качественный, структурированный и сфокусированный запрос. Это меняет парадигму с "угадывания волшебных слов" на "инженерный подход к коммуникации".

• Потенциал для адаптации: Метод универсален. Атрибуты "медицинская точность" и "диагностическая релевантность" легко трансформируются для любой другой сферы. Для маркетолога это будет "точность данных о ЦА" и "релевантность для маркетинговой цели". Для юриста — "точность фактов по делу" и "релевантность для правовой позиции". Принцип декомпозиции цели на ключевые атрибуты качества применим абсолютно везде.

Ты — опытный маркетолог-стратег, специализирующийся на запуске новых продуктов в сфере общественного питания.

### Задача
Проанализируй мою идею и разработай краткую маркетинговую стратегию на первые 3 месяца после открытия.

### Контекст и Данные
*   **Продукт:** Городская кофейня "Зерно и Дзен".
*   **Локация:** Центр города (население 500 тыс.), рядом с бизнес-центрами и университетом.
*   **УТП (Уникальное торговое предложение):** Мы используем только спешелти-кофе от местных обжарщиков и предлагаем зону для медитаций и отдыха от городской суеты.
*   **Целевая аудитория:** Студенты и офисные работники 20-35 лет.
*   **Бюджет на маркетинг:** 50 000 рублей в месяц.

### Атрибуты Качественного Ответа (на основе принципов ALFA)
Твой ответ должен соответствовать следующим критериям:
1.  **Ясность (Clarity):** Используй четкие и понятные формулировки. Избегай общих фраз вроде "улучшить узнаваемость".
2.  **Фокус (Focus):** Сконцентрируйся на конкретных, выполнимых действиях в рамках указанного бюджета и сроков.
3.  **Релевантность (Relevance):** Все предложенные активности должны быть релевантны целевой аудитории (студенты, офисные работники) и УТП (спешелти-кофе, дзен-зона).
4.  **Избегание предвзятости (Avoiding Bias):** Не предлагай только стандартные решения. Оцени, какие каналы могут НЕ сработать для данной концепции, и объясни почему.

### Формат вывода
Представь стратегию в виде таблицы:
| Месяц | Канал продвижения | Активность | Ожидаемый результат | Бюджет |
|---|---|---|---|---|

Этот промпт эффективен, потому что он напрямую применяет принципы из исследования ALFA для управления поведением LLM:

• Снижение неопределенности: Вместо абстрактной задачи "придумай маркетинг" промпт предоставляет богатый контекст (продукт, ЦА, бюджет). Это помогает модели работать с релевантной информацией, как того требует один из атрибутов.
• Явная инструкция по качеству: Раздел ### Атрибуты Качественного Ответа — это прямое применение метода. Мы не просто просим сделать хорошо, а декомпозируем понятие "хорошо" на Ясность, Фокус, Релевантность и Избегание предвзятости. Это заставляет модель следовать определенным правилам при генерации ответа.
• Фокусировка задачи: Четко очерченные Задача, Сроки (3 месяца) и Бюджет заставляют модель генерировать сфокусированный и практически применимый ответ, а не общие рассуждения.
• Структурирование вывода: Требование к формату (### Формат вывода) повышает ясность и структурированность ответа, делая его более полезным для пользователя.

Ты — опытный туристический гид и планировщик путешествий, который создает персонализированные маршруты.

### Задача
Составь подробный план путешествия на 5 дней по Лиссабону, Португалия.

### Контекст и Данные
*   **Путешественники:** Молодая пара (28-30 лет).
*   **Даты:** Первая неделя октября.
*   **Бюджет:** Средний (около 100-120 евро в день на человека без учета жилья).
*   **Интересы:** Нестандартные достопримечательности, аутентичная местная кухня (не туристические рестораны), стрит-арт, красивые виды, вечерние бары с живой музыкой.
*   **Темп:** Расслабленный, без спешки и посещения 5 музеев в день.

### Ограничения и Предпочтения (Принцип "Avoiding Bias")
*   **Избегай:** Стандартных туристических "ловушек" с завышенными ценами.
*   **Исключи:** Посещение торговых центров и шопинг.
*   **Приоритет:** Впечатления, а не "галочки" у всех известных мест.

### Критерии Качества Маршрута (на основе ALFA)
1.  **Ясность (Clarity):** План на каждый день должен быть четко расписан (утро, день, вечер).
2.  **Фокус (Focus):** Маршрут должен быть сфокусирован на указанных интересах (стрит-арт, еда, виды, музыка).
3.  **Релевантность (Relevance):** Все предложенные места и заведения должны соответствовать среднему бюджету и интересам пары.
4.  **Ответоспособность (Answerability):** Предлагай конкретные названия мест, улиц и заведений, а не общие советы "погуляйте по центру".

### Формат вывода
Для каждого из 5 дней предоставь план в формате:
**День N:**
*   **Утро:** [Описание активности, конкретные места]
*   **День:** [Описание активности, конкретные места]
*   **Вечер:** [Название 1-2 рекомендованных ресторанов и баров с краткой характеристикой]

Этот промпт работает, потому что он превращает LLM из простого генератора текста в настоящего "планировщика", следуя логике ALFA:

• Создание "экспертной" роли: Промпт начинается с роли, что настраивает модель на нужный лад.
• Декомпозиция цели: Вместо общей цели "план поездки" мы разбиваем ее на конкретные интересы, бюджет, темп и ограничения. Это дает модели четкие критерии для фокусировки и релевантности.
• Активное управление "предвзятостью": Раздел ### Ограничения и Предпочтения напрямую реализует атрибут "Avoiding Bias". Мы говорим модели, чего делать НЕ нужно (избегать туристических ловушек), тем самым отсекая стандартные, шаблонные ответы и направляя ее к более креативным и персонализированным решениям.
• Требование конкретики: Указание на "Ответоспособность" с примером ("предлагай конкретные названия") заставляет модель избегать расплывчатых советов и генерировать практически полезную информацию, которую можно сразу использовать. Это повышает ценность ответа в разы.