ManuSearch - Демократизация глубокого поиска в больших языковых моделях с помощью прозрачной и открытой многопользовательской системы.

Исследование представляет ManuSearch — систему из трех взаимодействующих LLM-агентов (Планировщик, Интернет-поисковик, Чтец веб-страниц), которая решает сложные вопросы. Вместо того чтобы отвечать на сложный вопрос сразу, система сначала разбивает его на последовательность более простых под-вопросов, ищет ответы на них в интернете, извлекает ключевую информацию и только потом синтезирует финальный развернутый ответ.

Ключевой результат: Декомпозиция сложной задачи на простые и последовательный поиск информации по каждой из них значительно повышает точность и полноту ответов LLM, превосходя даже продвинутые коммерческие поисковые системы.

Суть метода для обычного пользователя заключается в том, чтобы перестать задавать LLM один большой и сложный вопрос, а вместо этого выступить в роли "менеджера" для модели, вручную имитируя работу агентов из ManuSearch.

Практическая методика, основанная на этом исследовании, выглядит так:

1. Станьте "Планировщиком": Возьмите свою сложную задачу (например, "спланируй мне 10-дневный отпуск в Италии с бюджетом 2000 евро") и не задавайте ее в лоб. Вместо этого попросите LLM разбить ее на логические шаги. Или сделайте это сами.

   • Пример шагов: 1. Определить основные города для посещения. 2. Рассчитать примерную стоимость перелетов и жилья. 3. Найти варианты недорогих развлечений. 4. Составить маршрут по дням.

2. Станьте "Поисковиком": Последовательно "прогоняйте" каждый шаг-подзадачу через LLM. Задавайте простые, конкретные вопросы по каждому пункту плана.

   • Пример запросов: "Какие 3 города в Италии лучше всего подходят для первого 10-дневного визита с фокусом на историю и еду?", "Сколько в среднем стоит отель 3* и ужин на двоих в Риме и Флоренции?", "Какие бесплатные музеи или достопримечательности есть в этих городах?".

3. Станьте "Синтезатором": Когда вы собрали ответы на все под-вопросы, объедините их в одном промпте и попросите LLM собрать из этой информации финальный, связный и структурированный ответ.

   • Пример финального запроса: "На основе следующей информации [вставляете ответы на предыдущие вопросы], составь детальный 10-дневный план поездки в Италию..."

Этот подход превращает диалог с LLM из одного вопроса-ответа в управляемый проект, где вы ведете модель к нужному результату шаг за шагом, резко снижая риск получения поверхностного или нерелевантного ответа.

*Прямая применимость:Низкая. Пользователь не может создать трех агентов в ChatGPT. Однако он может вручную имитировать их работу, что требует дисциплины, но дает отличные результаты.

• Концептуальная ценность: Очень высокая. Исследование дает ключевую идею: LLM лучше решает не одну большую задачу, а серию маленьких. Это фундаментальное понимание того, как обходить ограничения моделей в области сложного планирования и рассуждений. Пользователь начинает думать не "что спросить?", а "как разбить свой вопрос на правильные части?".
• Потенциал для адаптации: Огромный. Механизм адаптации прост: пользователь становится "внешним планировщиком" для LLM. Он использует чат не для одного запроса, а для целой сессии, где первые сообщения — это планирование и декомпозиция, средние — сбор данных по частям, а последнее — синтез итогового ответа. Этот подход универсален для любой сложной задачи: от написания бизнес-плана до планирования ремонта.

Этот промпт работает за счет явной и управляемой декомпозиции.

1. Снижение когнитивной нагрузки на LLM: Вместо того чтобы пытаться удержать в контексте сразу все требования (аудитория, рубрики, план, пост), модель получает простую и четкую задачу на первом шаге. Это позволяет ей сгенерировать более глубокий и качественный анализ аудитории.
2. Управляемый процесс: Пользователь, а не LLM, контролирует ход рассуждений. После каждого шага можно скорректировать результат (например, "Спасибо, по аудитории все верно. Теперь переходим к Шагу 2"). Это имитирует итеративную работу агентов из ManuSearch.
3. Накопление качественного контекста: Ответ с Шага 1 становится качественным контекстом для Шага 2. Ответ с Шага 2 становится контекстом для Шага 3. Это создает "снежный ком" релевантной информации, что приводит к гораздо более продуманному и логичному финальному результату (контент-плану).

Этот промпт эффективен, потому что он превращает сложную, многофакторную задачу в линейный и проверяемый процесс, полностью имитируя логику ManuSearch.

1. Фундамент из данных (Шаг 1): Запрос немедленно заставляет LLM выполнить ключевое вычисление (калории и БЖУ). Этот точный, основанный на данных результат становится неоспоримой основой для всех последующих шагов. Без этой декомпозиции модель могла бы выдать общие, усредненные рекомендации.
2. Вариативность и гибкость (Шаг 2): Вместо того чтобы сразу генерировать жесткий план, промпт запрашивает "конструктор" блюд. Это позволяет пользователю на промежуточном этапе проверить, нравятся ли ему предложенные варианты, и при необходимости скорректировать их.
3. Структурированный синтез (Шаг 3): Финальный шаг — это чисто механическая работа по сборке плана из уже одобренных "кирпичиков". Модели не нужно ничего выдумывать, только скомпоновать данные. Это гарантирует, что итоговый план будет и персонализированным (основан на данных из Шага 1), и соответствующим вкусам пользователя (основан на "конструкторе" из Шага 2).

• 0. Предварительный фильтр: Исследование полностью сфокусировано на обработке и генерации текста. Оно не касается аудио/видео контента и проходит фильтр.
• A. Релевантность техникам промтинга: Низкая. Исследование описывает архитектуру системы, а не конкретные фразы или паттерны для пользователя. Оно показывает, какие вопросы система задает сама себе, но не учит пользователя, как их формулировать.
• B. Улучшение качества диалоговых ответов: Косвенное. Концепции из исследования (декомпозиция задачи) могут помочь пользователю получать более качественные ответы, но требуют от него самостоятельной адаптации и осмысления.
• C. Прямая практическая применимость: Очень низкая. Пользователь не может воспроизвести multi-agent фреймворк в обычном чате с LLM. Метод не предназначен для прямого использования конечным пользователем без специальных инструментов.
• D. Концептуальная ценность: Высокая. Исследование блестяще иллюстрирует мощную ментальную модель: декомпозиция сложной задачи на простые подзадачи. Это помогает понять, почему LLM "захлебываются" на сложных запросах и как помочь модели, разбив проблему на части.
• E. Новая полезная практика (кластеризация):
  • Кластер 1 (Техники формулирования): Концептуально работа предлагает продвинутый вариант Chain-of-Thought, где шаги — это отдельные поисковые запросы.
  • Кластер 6 (Контекст и память): Вся суть работы в продвинутом варианте RAG (Retrieval-Augmented Generation), где модель сама формирует запросы для поиска нужного контекста.
  • Кластер 7 (Надежность и стабильность): Система нацелена на снижение галлюцинаций путем верификации информации через веб-поиск, что очень ценно.
• Чек-лист практичности (+15 баллов): Работа косвенно, но убедительно показывает, как структурировать сложные запросы (через декомпозицию) и предлагает способы улучшить точность ответов (через поиск и проверку). За это к базовой оценке добавляется 15 баллов.

Изначально исследование заслуживает оценки в районе 50 баллов, так как оно больше про архитектуру систем, чем про пользовательский промтинг. Однако его концептуальная ценность чрезвычайно высока. Оно дает пользователю не готовый "рецепт", а "ментальную модель" для решения сложных задач. Идея разбить один большой запрос на серию маленьких — это фундаментальный принцип, который можно применять вручную. За эту мощную идею и ее адаптивность добавляется 15 баллов.