PathGPT: переосмысление рекомендаций по пути как задачи генерации естественного языка с использованием генерации с дополненным поиском и больших языковых моделей

Исследователи превратили задачу рекомендации маршрутов в задачу генерации текста для LLM. Они создали систему PathGPT, которая перед ответом на запрос пользователя (например, "самый живописный маршрут") находит в базе данных похожие исторические маршруты, переведенные в текстовый формат. Эта информация (контекст) подается в промпт, что позволяет LLM генерировать точные и релевантные маршруты, избегая "галлюцинаций".

Ключевой результат: добавление в промпт релевантных текстовых примеров (RAG) кардинально повышает качество и надежность ответов LLM в задачах, требующих фактических знаний.

Суть метода, описанного в исследовании, — это техника Retrieval-Augmented Generation (RAG), или "Генерация с привлечением информации". Представьте, что LLM — это очень способный, но забывчивый эксперт, чьи знания ограничены датой его "обучения". Он может блестяще рассуждать, но не знает последних новостей или специфических фактов из вашей области.

Метод RAG решает эту проблему в три шага, которые обычный пользователь может воспроизвести вручную:

1. Создание "шпаргалки" (Knowledge Base): Исследователи взяли необработанные данные (GPS-треки) и превратили их в понятный человеку текст, описывающий разные типы маршрутов (самый быстрый, самый короткий, самый популярный). Для пользователя это означает подготовку текстового материала с нужными фактами.

2. Поиск релевантной информации (Retrieval): Когда пользователь задает вопрос ("посоветуй живописный маршрут"), система сначала ищет в своей "шпаргалке" наиболее подходящие страницы — текстовые описания маршрутов, которые начинаются и заканчиваются в тех же точках. Для пользователя это эквивалентно поиску в Google, Википедии или во внутренних документах нужной информации по теме запроса.

3. Формирование "умного" промпта (Augmented Prompt): Система берет исходный запрос пользователя и добавляет к нему найденную в "шпаргалке" информацию. Получается промпт вида: "Вот несколько примеров маршрутов между точками А и Б (текст из шпаргалки). А теперь, используя эти данные, сгенерируй для меня живописный маршрут".

Таким образом, LLM не выдумывает ответ из головы, а строит его на основе предоставленных ей фактических данных, выступая в роли гениального аналитика, а не сказочника.

• Прямая применимость: Пользователь может применять этот метод, выполняя "ручной RAG". Перед тем как задать сложный вопрос, требующий фактических данных (сравнение товаров, анализ документов, планирование поездки), пользователь самостоятельно находит релевантную информацию (статьи, характеристики, отзывы) и вставляет ее прямо в промпт в качестве контекста. Это не требует никаких специальных инструментов, кроме "копировать-вставить".

• Концептуальная ценность: Исследование дает ключевое понимание: LLM — это не поисковик, а обработчик информации. Чтобы получить качественный результат, нужно предоставить модели качественное "сырье" (контекст). Это меняет парадигму с "задай вопрос — получи ответ" на "дай данные и задачу — получи анализ". Пользователь начинает воспринимать LLM как партнера, которого нужно снабжать информацией.

• Потенциал для адаптации: Метод абсолютно универсален. Вместо маршрутов можно использовать любые данные:

  • Маркетинг: Вставить в контекст описания продуктов конкурентов и попросить сформулировать УТП для своего продукта.
  • Юриспруденция: Дать в контекст выдержки из законов и попросить проанализировать конкретную ситуацию.
  • HR: Подать в контекст 3-5 резюме и попросить составить сравнительную таблицу кандидатов по заданным критериям. Механизм адаптации прост: определить, каких фактов не хватает LLM для ответа -> найти эти факты -> структурировать их в промпте -> дать четкую задачу.

Ты — опытный и беспристрастный эксперт по выбору бытовой техники. Твоя задача — помочь мне выбрать лучший робот-пылесос, основываясь на предоставленных данных и моих приоритетах.

<Контекст>
Вот информация о трех моделях, которую я нашел:

**Модель 1: RoboClean X5**
*   Сила всасывания: 4000 Па
*   Тип навигации: Лидар (LDS)
*   Влажная уборка: Да, вибрирующая платформа
*   Аккумулятор: 5200 мАч (до 180 мин)
*   Особенности: Автоматически поднимает салфетку на коврах.
*   Цена: 35 000 руб.

**Модель 2: SmartVaccum Pro**
*   Сила всасывания: 5000 Па
*   Тип навигации: Камера (vSLAM)
*   Влажная уборка: Да, обычная подача воды
*   Аккумулятор: 4800 мАч (до 150 мин)
*   Особенности: Лучше распознает мелкие предметы (носки, провода), но хуже работает в темноте.
*   Цена: 38 000 руб.

**Модель 3: EcoBot S1**
*   Сила всасывания: 3500 Па
*   Тип навигации: Лидар (LDS)
*   Влажная уборка: Нет
*   Аккумулятор: 5200 мАч (до 200 мин)
*   Особенности: Самый тихий в работе, предназначен только для сухой уборки.
*   Цена: 28 000 руб.


<Моя задача и приоритеты>
Проанализируй информацию из блока `<Контекст>`. Мне нужен робот-пылесос для квартиры площадью 70 кв.м. У меня есть кот (много шерсти) и ковры со средним ворсом. Влажная уборка — важная, но не главная функция.

**Мои главные приоритеты в порядке убывания:**
1.  Качество сухой уборки (особенно сбор шерсти).
2.  Хорошая навигация, чтобы не застревал.
3.  Способность заезжать на ковры и эффективно их чистить.

Основываясь **строго на предоставленном контексте** и моих приоритетах, порекомендуй одну модель. Объясни свой выбор шаг за шагом, сравнивая модели по моим ключевым критериям.

Этот промпт эффективен, потому что он в точности воспроизводит логику PathGPT в ручном режиме:

1. "Ручной" RAG: Мы не спрашиваем "какой пылесос лучше?", а сначала сами находим фактические данные ("Retrieval") и предоставляем их модели ("Augmented Generation").
2. Структурированный контекст: Использование тегов <Контекст> и <Моя задача и приоритеты> помогает LLM четко разделить факты от задания. Внутри контекста данные по каждой модели организованы в виде списка, что облегчает их сравнение.
3. "Заземление" модели: Фраза Основываясь строго на предоставленном контексте заставляет модель работать в режиме аналитика, а не фантазера. Это резко снижает риск "галлюцинаций" (например, выдумывания несуществующих функций).
4. Четкая постановка задачи: Мы не просто просим "выбрать", а указываем критерии, приоритеты и формат ответа ("объясни свой выбор шаг за шагом"). Это направляет рассуждения модели в нужное русло.

Ты — опытный турагент, который помогает составить план путешествия. Твоя задача — помочь мне выбрать город для поездки на выходные.

<Контекст>
Вот краткая информация о трех городах, которые я рассматриваю для поездки в ноябре:

**Город 1: Стамбул, Турция**
*   Погода в ноябре: +10-15°C, возможны дожди.
*   Основные достопримечательности: Айя-София, Голубая мечеть, Гранд-базар, дворцы Топкапы и Долмабахче.
*   Кухня: Кебабы, пахлава, турецкий кофе, мезе.
*   Атмосфера: Шумный, колоритный мегаполис на стыке Европы и Азии, богатая история.
*   Бюджет: Умеренный.

**Город 2: Будапешт, Венгрия**
*   Погода в ноябре: +5-10°C, облачно, возможен первый снег.
*   Основные достопримечательности: Здание парламента, Рыбацкий бастион, термальные купальни (Сечени, Геллерт).
*   Кухня: Гуляш, лангош, кюртош калач.
*   Атмосфера: Величественная имперская архитектура, "Париж Восточной Европы", знаменитые руин-бары.
*   Бюджет: Низкий.

**Город 3: Лиссабон, Португалия**
*   Погода в ноябре: +15-18°C, солнечно, но ветрено.
*   Основные достопримечательности: Башня Белен, Монастырь Жеронимуш, поездка на трамвае №28, район Алфама.
*   Кухня: Паштел-де-ната, блюда из морепродуктов, сардины.
*   Атмосфера: Расслабленная, холмистый город с видом на океан, плитка азулежу.
*   Бюджет: Умеренный.


<Моя задача и приоритеты>
Я хочу поехать на 3 дня в ноябре.

**Мои главные приоритеты:**
1.  Хорошая погода, хочется как можно больше солнца и тепла.
2.  Интересная, но не слишком "тяжелая" история. Больше люблю гулять и наслаждаться атмосферой, чем ходить по 10 музеям.
3.  Вкусная и недорогая уличная еда.

Проанализируй информацию из блока `<Контекст>`. Какой город ты бы порекомендовал мне в первую очередь и почему? Дай краткое обоснование по каждому из моих приоритетов.

Этот пример работает по тем же фундаментальным причинам, что и предыдущий, демонстрируя универсальность RAG-подхода:

1. Предоставление фактов: Вместо абстрактного вопроса "Куда поехать в ноябре?", мы даем модели конкретные, сопоставимые данные по трем вариантам. Модель не тратит ресурсы на поиск информации (и не рискует найти устаревшую) — она сразу приступает к анализу.
2. Снижение когнитивной нагрузки: Структура "Город - Погода - Достопримечательности - Кухня - Атмосфера" создает параллельные наборы данных, которые LLM легко сопоставлять. Это имитирует то, как человек сравнивал бы варианты в таблице.
3. Фокусировка на субъективных критериях: Мы четко формулируем свои личные предпочтения ("люблю гулять", "вкусная уличная еда"). Это позволяет LLM не просто сравнить факты, а оценить их через призму наших желаний. Например, она сможет сопоставить "+15-18°C" в Лиссабоне с приоритетом "хорошая погода" и сделать верный вывод.
4. Управляемая генерация: Запрос "Дай краткое обоснование по каждому из моих приоритетов" заставляет модель структурировать ответ и доказать свою рекомендацию, что делает ее более убедительной и полезной для пользователя.