Многораундовая диагностическая RAG-система для эмуляции клинического мышления

Исследование решает проблему "семантического разрыва", когда LLM не может сопоставить обыденные описания пользователя с точной терминологией из своей базы знаний. Для этого авторы предлагают фреймворк MRD-RAG, который имитирует рассуждения врача: он выдвигает несколько гипотез, анализирует их, определяет, какой информации не хватает для точного вывода, и задает пользователю целенаправленный уточняющий вопрос.

Ключевой результат: Итеративный диалог с анализом гипотез и задаванием уточняющих вопросов значительно повышает точность и надежность ответов LLM по сравнению со стандартным подходом "вопрос-ответ".

Суть метода для обычного пользователя заключается в том, чтобы перестать воспринимать LLM как всезнающего оракула и начать использовать его как системного аналитика в диалоговом режиме. Вместо того чтобы задавать один большой и сложный вопрос в надежде на идеальный ответ, вы должны разбить процесс на три логических шага, имитируя фреймворк из исследования:

1. Шаг 1: "Ретривер" (Набросок вариантов). Вы даете LLM первоначальную проблему и просите набросать несколько возможных решений или гипотез. Это аналог того, как система извлекает кандидатов из базы знаний.
2. Шаг 2: "Анализатор" (Сравнительный анализ и поиск "белых пятен"). Вы просите LLM сравнить предложенные варианты между собой по ключевым критериям. Самое главное на этом шаге — дать команду определить, какой критически важной информации не хватает, чтобы сделать однозначный выбор между вариантами. Это имитация модуля Analyzer, который ищет различия и формулирует стратегию.
3. Шаг 3: "Доктор" (Целенаправленный вопрос). Вы просите LLM на основе анализа из Шага 2 сформулировать один-единственный, самый важный вопрос к вам. Ответив на него, вы предоставите модели недостающие данные для принятия финального, обоснованного решения.

Этот цикл "Варианты -> Анализ -> Уточняющий вопрос" можно повторять несколько раз, с каждым шагом сужая круг поиска и повышая точность. Вы, по сути, заставляете LLM "думать вслух" и вести вас по процессу решения проблемы, а не просто выдавать готовый ответ.

• Прямая применимость: Пользователь может немедленно начать использовать эту методику, структурируя свои промпты в виде последовательности команд: "1. Предложи варианты. 2. Сравни их и скажи, что тебе нужно знать для выбора. 3. Задай мне этот вопрос". Это работает в любом современном чат-боте (ChatGPT, Claude, Gemini) без каких-либо настроек.

• Концептуальная ценность: Главный инсайт — сложные задачи решаются не одним гениальным промптом, а серией логически связанных запросов, которые управляют процессом рассуждения модели. Это учит пользователя не "бороться" с LLM, а "сотрудничать" с ней, направляя ее "мыслительный" процесс. Вы начинаете понимать, что неоднозначность — это не ошибка LLM, а повод для уточнения.

• Потенциал для адаптации: Метод легко адаптируется для любой сферы.

  • Маркетинг: "Помоги выбрать соцсеть для продвижения" -> "1. Предложи 3 соцсети. 2. Сравни их для моего бизнеса и скажи, что тебе неясно о моей аудитории. 3. Задай вопрос о моей аудитории".
  • Выбор путешествия: "Куда поехать в отпуск?" -> "1. Предложи 3 страны. 2. Сравни их по климату и бюджету и скажи, что тебе неизвестно о моих предпочтениях. 3. Задай вопрос о моих предпочтениях".
  • Написание текста: "Помоги с идеей для статьи" -> "1. Предложи 3 темы. 2. Сравни их и скажи, что тебе неясно о цели статьи. 3. Задай вопрос о цели".

Ты — опытный маркетолог-стратег. Моя задача — выбрать лучшую социальную сеть для продвижения моего нового бизнеса.

**Контекст:**
Я открываю небольшой онлайн-магазин по продаже ароматических свечей ручной работы. Моя целевая аудитория — женщины 25-45 лет, ценящие уют, эстетику и экологичные товары. Бюджет на продвижение ограничен.

**Твоя задача — провести меня через процесс выбора, действуя по следующему алгоритму:**

**Шаг 1: Первичный анализ (Аналог "Ретривера")**
Проанализируй мой бизнес и предложи 3 наиболее подходящие социальные сети для продвижения. Кратко обоснуй выбор для каждой.

**Шаг 2: Дифференциальный анализ (Аналог "Анализатора")**
Создай таблицу для сравнения этих 3 платформ по следующим критериям:
*   Потенциальный охват моей ЦА.
*   Стоимость привлечения клиента (приблизительно).
*   Требования к контенту (фото, видео, текст).
*   Возможности для прямых продаж.

После таблицы, основываясь на этом сравнении, определи **самый важный фактор**, который мне нужно уточнить о своем бизнесе или стратегии, чтобы сделать окончательный выбор.

**Шаг 3: Уточняющий вопрос (Аналог "Доктора")**
Сформулируй и задай мне **один-единственный, самый главный вопрос**, ответ на который поможет тебе дать финальную, наиболее точную рекомендацию. Не давай рекомендацию сейчас, просто задай вопрос.

Этот промпт работает, потому что он не просит LLM сразу дать ответ, а заставляет его эмулировать логику MRD-RAG, что снижает риск получения поверхностного или нерелевантного совета:

1. Декомпозиция задачи: Сложная задача "выбери мне соцсеть" разбивается на простые и понятные шаги. Это снижает когнитивную нагрузку на модель и направляет ее рассуждения.
2. Принудительный анализ: Шаг 2 заставляет модель не просто перечислить факты, а активно сравнивать варианты и, что самое важное, рефлексировать о нехватке информации (определи самый важный фактор). Это имитирует работу модуля Analyzer.
3. Преодоление семантического разрыва: Вместо того чтобы гадать, что для меня важнее (визуал, бюджет, скорость продаж?), модель через Шаг 3 запрашивает именно ту информацию, которая является ключевой для моего конкретного случая. Это позволяет перейти от общих знаний к персонализированному совету.

Ты — опытный карьерный консультант. Я хочу сменить профессию, но не могу определиться с направлением.

**Контекст:**
Сейчас я работаю графическим дизайнером в рекламном агентстве. У меня сильные визуальные навыки, я хорошо работаю в команде, но устал от постоянных дедлайнов и работы на клиента. Я ищу сферу с большим творческим контролем и потенциалом роста.

**Твоя задача — помочь мне сузить выбор, действуя по шагам:**

**Шаг 1: Генерация гипотез**
На основе моего опыта и пожеланий, предложи 3 реалистичные карьерные траектории для смены профессии.

**Шаг 2: Сравнительный анализ и выявление пробелов**
Сравни эти 3 траектории по параметрам:
*   Необходимые новые навыки и время на их освоение.
*   Средний стартовый доход.
*   Уровень творческой свободы.
*   Долгосрочные перспективы.

После анализа определи, какая **ключевая информация о моих личных ценностях или склонностях** тебе неизвестна, чтобы дать наиболее подходящий совет.

**Шаг 3: Целенаправленный вопрос**
Задай мне **один вопрос**, который поможет лучше понять мои внутренние мотиваторы и сделать выбор между этими путями. Жди моего ответа, прежде чем давать рекомендации.

Этот промпт эффективен по тем же причинам, что и предыдущий, но в контексте личного выбора, где нет объективно "правильного" ответа:

1. От общего к частному: Промпт ведет модель от широких гипотез (3 карьерных пути) к глубокому пониманию личных мотиваторов пользователя.
2. Фокус на "слепых зонах": Команда определи, какая ключевая информация... тебе неизвестна заставляет LLM анализировать не только предложенные варианты, но и собственные пробелы в понимании запроса. Это заставляет модель перейти от роли "справочника профессий" к роли "консультанта".
3. Управляемый диалог: Задавая в конце только один, но самый важный вопрос, модель инициирует осмысленный диалог. Ответ пользователя на этот вопрос станет тем самым недостающим фрагментом пазла, который позволит LLM в следующем шаге дать уже не общий, а по-настоящему персонализированный и ценный совет.