arXiv:2505.24189 88 30 мая 2025 г. PRO

Тонкая настройка SLM или промпт LLM? Случай генерации low-code рабочих процессов

КЛЮЧЕВАЯ СУТЬ

Однако для достижения приемлемых результатов с LLM пришлось использовать очень сложные промпты, включающие декомпозицию задачи и обогащение контекстом из базы знаний (RAG)

Адаптировать под запрос

Контент доступен только для PRO подписчиков

Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

Выберите модель ИИ:

Ваш запрос:

0 / 2000

~0.5-2 N-токенов ~10-30с

~0.3-1 N-токенов ~5-15с

88

ОТЛИЧНО

Тонкая настройка SLM или промпт LLM? Случай генерации low-co...

Возможности

Решение сложных задач 95%

Извлечение и структурирование данных 90%

Написание текстов 80%

Область

IT и разработка ПО 85%

Менеджмент и управление 70%

Маркетинг и реклама 65%

Паттерн

Instruction Prompt 95%

КОМУ ПОЛЕЗНО

Маркетолог

Разбивает задачу создания контент-стратегии на этапы (например, генерация рубрик, затем тем), обогащая каждый промпт деталями о ЦА и продукте, что приводит к более релевантным и целенаправленным идеям для контента и повышает вовлеченность аудитории на 15%.

Менеджер проектов

Декомпозирует сложный проект на подзадачи, используя LLM для генерации планов и требований для каждого этапа, предоставляя контекст из базы знаний компании, что сокращает время планирования на 20% и уменьшает количество ошибок в спецификациях.

Юрист

Структурирует промпты для анализа юридических документов, разбивая задачу на извлечение ключевых фактов, анализ прецедентов и формулирование выводов, с добавлением релевантных статей законодательства, что повышает точность анализа на 10% и ускоряет подготовку заключений.

Разработчик ПО

Использует декомпозицию для генерации low-code JSON-структур или фрагментов кода, предоставляя LLM детальные требования и примеры из документации, что ускоряет разработку на 25% и снижает количество багов в начальном коде.

Турагент

Разбивает планирование путешествия на этапы (выбор городов, затем активностей), обогащая промпты информацией о предпочтениях клиента, бюджете и ограничениях, что позволяет создавать персонализированные маршруты на 30% быстрее и повышает удовлетворенность клиентов.

Аналитик данных

Декомпозирует задачу анализа данных на шаги (очистка, агрегация, визуализация), используя LLM для генерации скриптов или запросов, с предоставлением схемы базы данных и целей анализа, что повышает эффективность анализа на 20% и точность отчетов.

HR-специалист

Структурирует промпты для создания описаний вакансий или планов адаптации, разбивая задачу на ключевые разделы и обогащая контекстом о корпоративной культуре и требованиях к должности, что сокращает время на подготовку документов на 15% и улучшает качество подбора.