От документов к диалогу: создание AI-ассистентов с улучшенным KG-RAG

Этот промпт эффективен, так как он перекладывает на пользователя задачу извлечения и структурирования релевантной информации, что является сутью RAG-систем.

1. Фильтрация шума: Пользователь заранее отфильтровал неподходящий вариант (Египет) на основе одного из критериев (длительность перелета). В промпт он передает модели не только подходящие опции, но и причину, по которой третья опция была отброшена. Это позволяет LLM построить более сложное и аргументированное рассуждение.
2. Явное сопоставление фактов: Промпт предоставляет в одном месте и требования клиента (Интересы: пляж + познавательное), и характеристики туров (Турция: аквапарк, Греция: руины). Это позволяет модели легко сопоставить одно с другим и сделать логичный вывод, какой тур какому интересу соответствует.
3. Управляемое сравнение: Задание Сравни два наиболее подходящих варианта направляет модель на выполнение конкретной аналитической операции, а не на общую генерацию текста. Предоставленные структурированные факты служат идеальной основой для такого сравнения, делая ответ точным и полезным для конечного клиента.

Исследование решает проблему "незнания" LLM-ассистентами информации из закрытых корпоративных документов (например, внутренней базы знаний компании). Авторы предлагают усовершенствованный метод Retrieval-Augmented Generation (RAG), который перед ответом на вопрос пользователя не просто ищет релевантные тексты, а обращается к специально построенному "Графу Знаний" (Knowledge Graph, KG). Этот граф представляет данные в виде структурированных фактов (сущность-связь-сущность), что позволяет находить более точную и менее "зашумленную" информацию для генерации ответа.

Ключевой результат: Такой подход (KG-RAG) снизил количество нерелевантных ответов на 52% и увеличил число полностью релевантных на 88% по сравнению с обычным RAG-подходом.

Представьте, что LLM — это гениальный, но забывчивый эксперт. Он блестяще рассуждает, но не помнит содержание книг, которые вы положили ему на стол (ваши внутренние документы, инструкции, отчеты). Чтобы он мог ответить на вопрос по этим книгам, ему нужна помощь.

Стандартный подход (RAG): Вы нанимаете "ассистента", который перед каждым вопросом быстро пролистывает книги, находит страницы, где могут быть ответы, и зачитывает их эксперту вслух. Эксперт (LLM) слушает эти выдержки и на их основе формулирует ответ. Проблема: "ассистент" может вырвать слишком большие или не совсем точные куски текста, запутав эксперта.

Подход из исследования (KG-RAG): Это более продвинутый метод. Вместо того чтобы просто листать книги, вы заранее нанимаете "библиотекаря", который изучает все книги и составляет из них идеальную картотеку фактов — Граф Знаний. В этой картотеке каждый факт записан четко: [Карта "Platinum"] → [имеет кешбэк] → [5% на рестораны].

Теперь, когда вы задаете вопрос "Какой кешбэк у платиновой карты?", система не ищет абзацы со словом "кешбэк", а напрямую достает из картотеки нужный факт и передает его эксперту (LLM). Эксперт получает не "сырой" текст, а дистиллированный, точный факт, на основе которого генерирует идеальный ответ.

Для обычного пользователя это означает, что он не может напрямую использовать этот метод, но он может симулировать его логику в своих промптах. Вместо того чтобы "скармливать" модели большие куски текста, пользователь может сам извлечь из них ключевые факты и предоставить их в структурированном виде, что значительно улучшит качество ответа.

• Прямая применимость: Нулевая. Пользователь в обычном чате (ChatGPT, Claude) не может построить Граф Знаний или запустить RAG-пайплайн. Это технология для разработчиков AI-систем.

• Концептуальная ценность: Очень высокая. Исследование дает пользователю мощную ментальную модель: "LLM лучше отвечает, когда ей предоставляют не сырой текст, а структурированные, релевантные факты". Это объясняет, почему простое "проанализируй этот текст" работает хуже, чем промпт, где ключевая информация вынесена отдельно. Пользователь начинает понимать важность подготовки контекста.

• Потенциал для адаптации: Пользователь может адаптировать принцип работы KG-RAG в своих промптах. Механизм адаптации — это ручное создание "мини-базы знаний" прямо в теле промпта. Вместо того чтобы просить модель найти информацию в большом тексте, пользователь сам выступает в роли "системы поиска", извлекает ключевые факты и предоставляет их модели в структурированном виде для последующей обработки.

Представим, что менеджер по продукту хочет написать анонс новой функции для внутренней рассылки. Он нашел несколько разрозненных документов, но хочет получить связный текст. Вместо того чтобы просто скопировать все в чат, он симулирует KG-RAG.

Ты — опытный менеджер по продуктовым коммуникациям. Твоя задача — написать короткий, энергичный и понятный анонс новой функции для внутренней рассылки по всей компании.

**ИСПОЛЬЗУЙ ТОЛЬКО ФАКТЫ ИЗ ЭТОЙ БАЗЫ ЗНАНИЙ:**

### Контекст из Базы Знаний (результат работы KG-RAG)

*   **Продукт:** "Аналитическая Платформа 'Горизонт'"
*   **Новая функция:** "Прогнозные Дэшборды"
*   **Основная возможность:** Автоматически строит прогнозы по временным рядам (например, продажи, трафик).
*   **Ключевое преимущество:** Не требует от пользователя знаний в статистике или программировании.
*   **Целевая аудитория:** Менеджеры по продажам, маркетологи.
*   **Связанная сущность:** Интегрируется с модулем "Еженедельные Отчеты".
*   **Статус:** Запуск 15 октября.

### Задание

На основе **только** этих фактов, напиши текст анонса (100-150 слов).
Сделай акцент на простоте использования и пользе для нетехнических специалистов.
В конце обязательно укажи дату запуска.

Этот промпт работает, потому что он имитирует конечный этап KG-RAG — передачу в LLM структурированного и очищенного от "шума" контекста.

1. Структурированный контекст: Вместо неструктурированного текста из разных источников, мы предоставляем модели четкие факты в формате сущность: значение. Это похоже на то, как KG-RAG передает модели триплеты (сущность-отношение-сущность). Модели гораздо легче работать с такой структурой.
2. Снижение когнитивной нагрузки: Мы избавляем LLM от необходимости самостоятельно "вычитывать" и интерпретировать большие объемы информации. Мы уже сделали эту работу за нее.
3. Заземление (Grounding): Инструкция ИСПОЛЬЗУЙ ТОЛЬКО ФАКТЫ ИЗ ЭТОЙ БАЗЫ ЗНАНИЙ заставляет модель строго придерживаться предоставленных данных, что практически исключает галлюцинации и добавление выдуманных деталей.
4. Фокусировка на задаче: Модель может направить все свои "силы" не на поиск и анализ, а на творческую задачу — написание качественного текста анонса на основе готовых "строительных блоков".

Сотрудник турагентства хочет составить персонализированное предложение для клиента, который оставил заявку с общими пожеланиями.

Ты — эксперт по путешествиям, который помогает составить идеальное предложение для клиента.

**ИСПОЛЬЗУЙ ТОЛЬКО ФАКТЫ ИЗ ЭТОЙ БАЗЫ ЗНАНИЙ:**

### Контекст по клиенту и турам (результат работы KG-RAG)

*   **Клиент:** Семья с двумя детьми (7 и 12 лет).
*   **Бюджет:** до 250 000 рублей.
*   **Интересы:** Пляжный отдых, но с возможностью "чего-то познавательного для детей".
*   **Ограничение:** Не любят долгие перелеты (до 5 часов).
*   **Доступный тур #1:** Турция, отель "SeaBreeze Resort", 5*, "все включено", есть аквапарк, перелет 4.5 часа. Стоимость 230 000 руб.
*   **Доступный тур #2:** Греция, отель "Olympus Villa", 4*, завтраки, рядом руины древнего города (экскурсия), перелет 4 часа. Стоимость 215 000 руб.
*   **Доступный тур #3:** Египет, отель "Pyramid View", 5*, перелет 6.5 часов. Стоимость 240 000 руб.

### Задание

На основе **только** этих фактов, напиши короткое (2-3 абзаца) и дружелюбное письмо клиенту.
1.  Сравни два наиболее подходящих варианта (Турцию и Грецию), кратко описав плюсы каждого для этой семьи.
2.  Объясни, почему Египет не предлагается (из-за длительности перелета).
3.  Заверши письмо вопросом о том, какой из вариантов им больше нравится.