Многостадийная структура с таксономически управляемым рассуждением для классификации профессий с использованием больших языковых моделей

Исследование показывает, что большие языковые модели, особенно не самые передовые, плохо справляются с задачами классификации по строгим, детализированным правилам (таксономиям), так как у них нет глубоких знаний в узких областях. Чтобы решить эту проблему, авторы предлагают "заземлять" рассуждения модели, включая в промпт примеры, которые содержат не только задачу и ответ, но и явное обоснование, почему ответ именно такой, со ссылкой на правила из этой таксономии.

Ключевой результат: Добавление в промпт примеров с явным, основанным на правилах, обоснованием (TGRE) работает значительно лучше, чем общие рассуждения в стиле "думай шаг за шагом" (CoT), и позволяет даже более слабым моделям достигать высокой точности.

Суть метода, который может применить обычный пользователь, заключается в эволюции техники "few-shot prompting" (обучение на нескольких примерах). Назовем его "Промптинг с Обоснованием".

Стандартный few-shot промпт выглядит так: * Пример 1: [Вход] -> [Выход] * Пример 2: [Вход] -> [Выход] * Ваша задача: [Новый Вход] -> ?

Модель пытается угадать паттерн. Но если правила сложные, она часто ошибается.

Метод из исследования (TGRE) предлагает такую структуру: * Пример 1: [Вход] -> [Обоснование, почему именно такой выход, со ссылкой на правила] -> [Выход] * Пример 2: [Вход] -> [Обоснование, почему именно такой выход, со ссылкой на правила] -> [Выход] * Ваша задача: [Новый Вход] -> ?

Главное здесь — Обоснование. Это короткое объяснение, которое связывает входные данные с выходом через явное упоминание правила или логики из вашей "базы знаний" (которой может быть что угодно: должностная инструкция, гайд по стилю, категории товаров, юридические определения).

Таким образом, вы не просто показываете модели что делать, а обучаете ее как рассуждать для достижения правильного результата в рамках вашей конкретной задачи. Модель начинает не угадывать, а следовать продемонстрированной логике.

• Прямая применимость: Очень высокая для концепции TGRE. Любой пользователь может немедленно начать улучшать свои few-shot промпты, добавляя в примеры блок с обоснованием. Это применимо для сортировки email, анализа отзывов, генерации текста по гайдлайнам, структурирования данных и т.д. Пользователю нужно лишь определить свой "источник истины" (правила) и сформулировать для 2-3 примеров логику их применения.

• Концептуальная ценность: Огромная. Исследование дает пользователю ключевое понимание: LLM — это не всезнающая сущность, а "симулятор рассуждений". Если вы хотите, чтобы она рассуждала по вашим правилам, вы должны показать ей пример таких рассуждений. Это помогает перестать бороться с "глупостью" модели и начать ее эффективно "направлять". Концепция "заземления" на факты в промпте — мощный инструмент.

• Потенциал для адаптации: Максимальный. "Таксономия" в исследовании — это просто формальный термин для любой системы правил.

  • Механизм адаптации:
    1. Определите вашу задачу и набор правил (например, "категории для постов в блоге": Технологии, Лайфстайл, Путешествия).
    2. Возьмите 2-3 типичных примера.
    3. Для каждого примера напишите короткое обоснование. Например: "Этот пост о новом гаджете, значит, он относится к категории Технологии".
    4. Вставьте эти примеры с обоснованиями в начало вашего промпта.
  • Этот подход адаптируется для любой задачи, где требуется последовательность и следование определенной логике.

Ты — ассистент руководителя небольшого интернет-магазина. Твоя задача — анализировать отзывы клиентов и классифицировать их по трем категориям, чтобы передать в нужный отдел.

**Вот наши категории (наша "таксономия"):**
1.  **Логистика:** Все, что связано с доставкой (сроки, курьеры, упаковка).
2.  **Качество товара:** Отзывы о самом продукте (брак, не соответствует описанию, или наоборот, похвала).
3.  **Работа сайта:** Проблемы с оформлением заказа, ошибки на сайте, юзабилити.

Проанализируй отзывы по следующим примерам, используя мою логику рассуждений.

---
**Пример 1:**
*   **Отзыв клиента:** "Все пришло очень быстро, на день раньше срока! Но коробка была сильно помята."
*   **Обоснование:** Клиент упоминает скорость доставки и состояние упаковки. Оба аспекта относятся к процессу доставки. Поэтому категория — "Логистика".
*   **Категория:** Логистика

**Пример 2:**
*   **Отзыв клиента:** "Пытался оплатить заказ, но кнопка 'Оплатить' не нажималась. Пришлось звонить менеджеру."
*   **Обоснование:** Клиент описывает техническую проблему при взаимодействии с сайтом (неработающая кнопка). Это явно относится к работе сайта. Поэтому категория — "Работа сайта".
---

**А теперь твоя задача:**

Проанализируй и классифицируй следующий отзыв, следуя той же логике.

**Отзыв клиента:** "Заказал синюю футболку, а пришла зеленая. Размер подошел, но цвет совсем не тот."

Этот промпт работает не просто потому, что в нем есть примеры, а потому что он раскрывает механизм принятия решения.

1. Явное обучение логике: Блок "Обоснование" заставляет модель не просто сопоставлять ключевые слова ("доставка" -> "Логистика"), а следовать за ходом мысли: "Клиент говорит о X и Y -> X и Y по нашим правилам относятся к Z -> Значит, категория Z".
2. Снижение двусмысленности: В первом примере есть и позитив ("быстро"), и негатив ("помята"), но обоснование четко указывает, что оба факта относятся к одной и той же категории "Логистика". Это учит модель не сбиваться с толку, а фокусироваться на сути проблемы согласно правилам.
3. Создание "ментальной модели": Модель усваивает не просто пары "отзыв-категория", а саму структуру рассуждения, которую затем применяет к новому, невиданному ранее отзыву. В задаче про футболку она поймет, что речь идет о несоответствии товара описанию, что по аналогии с примерами относится к "Качеству товара".

Ты — мой креативный помощник. Я веду блог о здоровом образе жизни и хочу, чтобы все посты имели единый стиль: были позитивными, мотивирующими и заканчивались открытым вопросом к аудитории.

**Вот мой гайд по стилю (моя "таксономия"):**
1.  **Тон:** Восторженный и позитивный.
2.  **Цель:** Вдохновить читателя на действие.
3.  **Обязательный элемент:** В конце поста должен быть вопрос, вовлекающий в диалог.

Посмотри, как я переписываю черновики в соответствии с этим гайдом.

---
**Пример 1:**
*   **Черновик:** "Нужно пить больше воды. Это полезно для здоровья."
*   **Обоснование:** Черновик слишком сухой и скучный. По правилам стиля, я добавлю позитива и энергии, а в конце задам вопрос, чтобы вовлечь читателей.
*   **Финальный текст:** "Давайте зарядимся энергией вместе! 💧 Простой шаг к невероятному самочувствию — стакан чистой воды. Почувствуйте, как каждая клеточка говорит вам 'спасибо'! А сколько стаканов сегодня выпили вы?"

**Пример 2:**
*   **Черновик:** "Сегодня я сделал утреннюю зарядку."
*   **Обоснование:** Это просто констатация факта. Нужно добавить мотивации и позитива, а также задать вопрос, как того требует гайд по стилю.
*   **Финальный текст:** "Лучшее начало дня — это движение! ✨ Всего 10 минут утренней зарядки, а заряд бодрости на весь день обеспечен! Кто сегодня тоже начал утро с победы над ленью?"
---

**А теперь твоя задача:**

Перепиши следующий черновик в соответствии с моим стилем, используя ту же логику.

**Черновик:** "Овощи полезны. В них много витаминов."

Этот промпт эффективен, потому что он обучает модель не просто имитировать стиль, а применять конкретные правила для трансформации текста.

1. Фокус на процессе, а не на результате: Блок "Обоснование" явно проговаривает, что именно было не так в черновике ("слишком сухой", "констатация факта") и какие конкретно правила из гайда были применены для исправления ("добавлю позитива", "задам вопрос").
2. Обучение абстрактным концепциям: Модель учится понимать такие абстрактные понятия, как "мотивация" и "вовлечение", через конкретные примеры их реализации (восторженные фразы, эмодзи, открытые вопросы).
3. Надежное воспроизведение: Когда модель получает новый черновик про овощи, она не просто пытается написать что-то "в стиле ЗОЖ-блогера". Она анализирует его по усвоенной схеме: "Так, черновик сухой. По правилам, нужно добавить позитива и задать вопрос". Это приводит к гораздо более предсказуемому и качественному результату, точно соответствующему требованиям пользователя.