Большинство работают с LLM по одной схеме: спросил — получил текст — разобрал в голове.

Исследование представляет систему DIY-MKG, которая помогает полиглотам изучать лексику, создавая персональные "графы знаний". Вместо пассивного получения информации, пользователь активно участвует в процессе: LLM предлагает связанные слова, а пользователь сам выбирает, какие из них добавить. Система также использует LLM для генерации персонализированных тестов для проверки знаний.

Ключевой результат: Доказано, что с помощью правильно составленных промптов LLM может надежно и последовательно генерировать релевантные идеи (слова) и точные структурированные данные (тесты), превращаясь из простого чат-бота в мощный инструмент для создания персональных обучающих систем.

Суть метода заключается в переходе от простого диалога с LLM к построению управляемого конвейера, где пользователь выступает в роли режиссера, а LLM — в роли исполнителя с четкими инструкциями.

Методика для пользователя сводится к трем ключевым практикам:

1. Принцип "Предлагай, а не решай" (Selective Expansion): Вместо того чтобы просить LLM дать финальный ответ, просите его сгенерировать набор вариантов или идей. Затем вы, как эксперт в своей задаче, сами выбираете лучшие из них. Это повышает качество итогового результата и оставляет контроль за вами. В исследовании LLM предлагает слова, а пользователь решает, какие из них достойны изучения.

2. Принудительная структуризация (Forced Structuring): Не позволяйте LLM выдавать ответ в виде сплошного текста. Всегда требуйте от него конкретный формат, идеально — JSON. Это заставляет модель мыслить более упорядоченно и выдавать предсказуемый, легко используемый результат. В исследовании все тесты генерируются в строгом JSON-формате, что позволяет системе их автоматически обрабатывать.

3. Многослойная проверка (Layered Filtering & Feedback): Для критически важных задач используйте несколько промптов. Один — для основной генерации, второй — для проверки и фильтрации результата (например, на безопасность или адекватность). Также внедряйте цикл обратной связи: если LLM сгенерировал что-то не то, используйте эту ошибку для уточнения промпта в следующий раз. В исследовании это реализовано через отдельный промпт-фильтр и возможность пользователя "помечать" некорректные вопросы.

• Прямая применимость: Пользователь может скопировать промпты из приложения к статье и адаптировать их под свои нужды. Например, промпт для генерации связанных слов (Fig. 6) можно использовать для мозгового штурма в любой области. Промпт для генерации тестов (Fig. 8, 9) можно применять для самопроверки по любой теме, от истории до маркетинга.

• Концептуальная ценность: Исследование учит пользователя фундаментальной идее: вы — архитектор взаимодействия с LLM. Оно показывает, что ключ к успеху не в поиске одного "волшебного промпта", а в построении процесса, где вы управляете генерацией, отбором и структурированием информации. Это меняет подход от "задать вопрос" к "поставить задачу с четкими критериями".

• Потенциал для адаптации: Метод генерации структурированных данных (JSON) универсален. Вместо "вопроса для теста" можно попросить LLM сгенерировать "маркетинговый слоган", "пункт плана поездки", "рецепт блюда" или "характеристику персонажа" — все в виде объекта с нужными вам полями (например, { "title": "...", "ingredients": [...], "steps": "..." }). Механизм адаптации прост: вы определяете нужную вам структуру данных (поля в JSON) и описываете ее в промпте, давая модели четкий пример.

Представим, что вы SMM-менеджер и вам нужно быстро набросать идеи для контент-плана на неделю для блога о здоровом питании. Вы используете адаптированный метод из исследования.

Ты — опытный контент-стратег и диетолог. Твоя задача — помочь мне с идеями для блога о здоровом питании.

**Основная тема недели:** "Быстрые и полезные завтраки"

**Твоя задача:**
Сгенерируй 5 уникальных идей для постов в блог на эту тему. Каждая идея должна быть нацелена на занятых людей, у которых мало времени по утрам.

**Формат вывода:**
Твой ответ ДОЛЖЕН быть валидным JSON-массивом, состоящим из 5 объектов. Никакого текста до или после JSON.

**Структура каждого объекта в JSON:**
{
  "post_title": "Краткий, цепляющий заголовок поста",
  "post_type": "Один из: 'Рецепт', 'Лайфхак', 'Разбор мифов', 'Подборка'",
  "target_audience": "На кого конкретно нацелен пост (например, 'студенты', 'офисные работники', 'молодые мамы')",
  "key_takeaway": "Главная мысль или польза, которую читатель получит (1 предложение)"
}

Приступай к генерации.

Этот промпт эффективен благодаря прямому применению принципов из исследования:

• Роль и Контекст: Промпт начинается с назначения роли ("контент-стратег и диетолог") и предоставления контекста ("блог о здоровом питании", "тема недели"), что настраивает LLM на нужный лад.
• Принудительная структуризация: Самая важная часть — требование вывода в формате JSON-массива с четко описанной структурой каждого объекта (post_title, post_type и т.д.). Это заставляет модель не просто писать текст, а заполнять конкретные поля, что делает результат предсказуемым, полным и готовым к дальнейшему использованию (например, для импорта в Trello или Notion).
• Четкая задача и ограничения: Задача ("сгенерируй 5 идей") и ограничения ("для занятых людей") сужают поле для "фантазии" LLM и направляют его на создание релевантного контента. Это аналог "выборочного расширения", но на этапе постановки задачи.

Представим, что вы планируете поездку на выходные в новый для вас город и хотите составить насыщенный, но реалистичный план.

Ты — эксперт по путешествиям и местный житель города Санкт-Петербург. Я хочу спланировать поездку на 2 дня (суббота и воскресенье). Я люблю историю, хорошую еду и неспешные прогулки. Ненавижу толпы туристов и дорогие "туристические ловушки".

**Твоя задача:**
Создай для меня план поездки на 2 дня.

**Формат вывода:**
Твой ответ ДОЛЖЕН быть единым JSON-объектом. Никакого лишнего текста.

**Структура JSON:**
{
  "saturday": [
    {
      "time": "Утро (10:00-13:00)",
      "activity": "Название основного занятия или места",
      "description": "Краткое описание, почему это место подходит под мой запрос (1-2 предложения)",
      "food_tip": "Рекомендация, где рядом можно недорого и вкусно поесть (название или тип заведения)"
    },
    {
      "time": "День (14:00-18:00)",
      "activity": "...",
      "description": "...",
      "food_tip": "..."
    },
    {
      "time": "Вечер (19:00-22:00)",
      "activity": "...",
      "description": "...",
      "food_tip": "..."
    }
  ],
  "sunday": [
    {
      "time": "Утро (10:00-13:00)",
      "activity": "...",
      "description": "...",
      "food_tip": "..."
    },
    {
      "time": "День (14:00-17:00)",
      "activity": "...",
      "description": "...",
      "food_tip": "..."
    }
  ]
}

Сгенерируй план.

Этот промпт работает, потому что он превращает LLM из простого собеседника в автоматизированный планировщик, используя те же самые методики:

• Персонализация через контекст: Промпт четко описывает предпочтения пользователя ("люблю историю, хорошую еду", "ненавижу толпы"). Это позволяет LLM генерировать не стандартный туристический маршрут, а персонализированный план.
• Структурирование для ясности и пользы: Требование вывода в виде JSON с вложенной структурой по дням и временным слотам (time, activity, description, food_tip) заставляет модель разбить сложную задачу (план на 2 дня) на маленькие, управляемые блоки. Это не только улучшает качество генерации, но и делает итоговый план чрезвычайно удобным для восприятия и использования.
• Практическая ценность полей: Каждое поле в JSON-структуре (activity, description, food_tip) решает конкретную потребность пользователя. Это аналог генерации "вопроса" и "ответа" в исследовании, только здесь генерируются "активность" и "совет по еде". Это делает результат максимально действенным и полезным.