LLM плохо держит 5+ правил одновременно.

Исследователи создали систему SQLBarber, которая использует LLM для генерации большого количества реалистичных SQL-запросов для тестирования баз данных. Система принимает на вход правила на естественном языке (например, "запрос должен соединять 3 таблицы и иметь подзапрос"), генерирует SQL-шаблон, а затем в цикле заставляет LLM проверять и исправлять саму себя, пока результат не станет синтаксически верным и не будет соответствовать всем правилам.

Ключевой результат: Итеративная самокоррекция с использованием обратной связи от внешних систем (СУБД) и самой LLM позволяет надежно генерировать сложный структурированный контент (SQL-код), соответствующий четким требованиям.

Суть метода для обычного пользователя заключается в переходе от одношаговых промтов к многошаговому процессу "Генерация с управляемой самокоррекцией". Вместо того чтобы просто дать команду и надеяться на лучшее, вы выстраиваете диалог, в котором LLM сначала создает черновик, а затем выступает в роли собственного критика и редактора.

Этот подход можно разбить на три этапа:

1. Подготовка Контекста и Правил. Вы не просто просите что-то сделать. Вы сначала даете LLM всю необходимую "сырую" информацию (контекст) и четкий свод правил (ограничений), которым должен соответствовать финальный результат. Это как выдать повару продукты и подробный рецепт.
2. Первичная Генерация. Вы даете команду сгенерировать первый вариант на основе контекста и правил. Вы принимаете, что этот вариант может быть несовершенным.
3. Итеративная Самокоррекция. Это ядро метода. Вы даете LLM новую команду: "А теперь проанализируй текст, который ты только что сгенерировал. Проверь его на соответствие вот этим правилам (вы повторяете правила). Найди все несоответствия. После этого напиши исправленную версию". Этот цикл можно повторять, пока результат вас не устроит.

Этот метод превращает LLM из "черного ящика" в управляемый инструмент, который можно последовательно направлять к нужному результату, значительно повышая надежность и точность.

• Прямая применимость: Низкая, если говорить о полной автоматизации как в статье. Однако, если рассматривать метод как диалоговую стратегию, то применимость высокая. Пользователь может вручную, в несколько шагов, реализовать цикл "генерация -> команда на проверку -> исправление" в любом чат-боте.

• Концептуальная ценность: Огромная. Исследование дает пользователю ключевую ментальную модель: "LLM — это не оракул, а стажер, которого нужно контролировать". Оно учит:

  • Не доверять первому ответу в сложных задачах.
  • Формализовать свои требования в виде четкого чеклиста.
  • Использовать способности LLM к рассуждению для проверки ее же работы.
  • Понимать, что качество результата напрямую зависит от качества и полноты предоставленного контекста и ограничений.

• Потенциал для адаптации: Очень высокий. Механизм "задача -> проверка по правилам -> исправление" универсален. Его можно применить для написания чего угодно: от коммерческого предложения и резюме до кода на Python и сценария для видео. Адаптация заключается в том, чтобы заменить "спецификации SQL-шаблона" на любые другие требования к тексту (стиль, объем, структура, ключевые слова, тон голоса и т.д.).

Представим, что вы владелец небольшой кофейни и хотите анонсировать новый осенний напиток в соцсетях.

Ты — опытный SMM-менеджер. Твоя задача — создать пост для Instagram.

**[КОНТЕКСТ]**
*   **Продукт:** Новый напиток "Пряный Тыквенный Латте".
*   **Ключевые ингредиенты:** Эспрессо, тыквенное пюре, корица, мускатный орех, взбитые сливки.
*   **Целевая аудитория:** Молодежь, студенты, любители уютной осенней атмосферы.
*   **Цель поста:** Вызвать интерес, мотивировать прийти и попробовать.

**[ЗАДАЧА]**
Напиши текст для поста в Instagram на основе предоставленного контекста.

---

**[ВЕРИФИКАЦИЯ И КОРРЕКЦИЯ]**
Отлично, теперь критически проверь написанный тобой текст на соответствие СЛЕДУЮЩИМ ПРАВИЛАМ:
1.  **Тон:** Дружелюбный, теплый и уютный.
2.  **Длина:** Строго меньше 280 символов.
3.  **Структура:** Должен содержать ровно 3 абзаца.
4.  **Эмодзи:** Должно быть использовано ровно 3 эмодзи: 🎃, ☕, 🍂.
5.  **Призыв к действию:** В конце должен быть вопрос, вовлекающий аудиторию (например, "А с чем у вас ассоциируется осень?").

Если текст не соответствует хотя бы одному правилу, объясни, в чем ошибка, и напиши новую, полностью исправленную версию.

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

1. Разделение контекста и задачи: Модель сначала получает все необходимые данные ([КОНТЕКСТ]), что снижает вероятность выдумывания фактов. Это аналог "Database Schema Summary" из статьи.
2. Четкие, измеримые правила: Вместо расплывчатого "напиши хороший пост", мы даем конкретные, проверяемые ограничения ([ВЕРИФИКАЦИЯ И КОРРЕКЦИЯ]). Это аналог "Specifications for SQL Templates".
3. Принудительная самокоррекция: Самая важная часть. Мы не просто просим исправить, а заставляем модель сначала провести анализ ("критически проверь", "объясни, в чем ошибка"), а затем синтез ("напиши новую версию"). Этот двухшаговый процесс активирует логические способности LLM и заставляет ее более внимательно следовать инструкциям, что является прямым аналогом цикла "Check and Rewrite" из исследования.

Задача: составить краткое и емкое описание вакансии для поиска личного ассистента.

Выступи в роли HR-специалиста, который составляет описание вакансии.

**[КОНТЕКСТ]**
*   **Должность:** Личный ассистент для руководителя IT-стартапа.
*   **Ключевые обязанности:** Планирование календаря, организация поездок, подготовка презентаций, ведение деловой переписки.
*   **Требования:** Опыт от 1 года, английский язык не ниже Upper-Intermediate, отличные навыки коммуникации, проактивность.
*   **Условия:** Гибкий график, возможность частичной удаленной работы, офис в центре города.

**[ЗАДАЧА]**
Напиши текст описания вакансии на основе предоставленного контекста.

---

**[ВЕРИФИКАЦИЯ И КОРРЕКЦИЯ]**
Теперь внимательно проверь свой текст по этому чеклисту:
1.  **Структура:** Текст должен быть разбит на 4 четких блока: "О нас", "Чем предстоит заниматься", "Что мы ждем от вас", "Что мы предлагаем".
2.  **Язык:** Профессиональный, но не сухой. Избегай канцеляризмов ("осуществление деятельности").
3.  **Фокус:** Текст должен быть сфокусирован на кандидате, используй больше местоимения "Вы" ("Вы будете...", "От вас мы ждем...").
4.  **Краткость:** Каждый из 4-х блоков должен содержать не более 3-х пунктов (буллетов).

Проанализируй свой первоначальный ответ на соответствие этим четырем правилам. Если есть отклонения, укажи на них и предоставь финальную, исправленную версию вакансии.

Этот пример работает по тем же принципам, что и SQLBarber, адаптированным для задачи рекрутинга:

1. Предоставление "сырых данных": Блок [КОНТЕКСТ] дает модели всю фактуру о вакансии, избавляя ее от необходимости гадать. Это аналог предоставления LLM схемы базы данных.
2. Формализация требований к качеству: Вместо абстрактной просьбы "напиши хорошую вакансию", мы даем конкретные, проверяемые критерии качества в блоке [ВЕРИФИКАЦИЯ И КОРРЕКЦИЯ]. Правила по структуре, языку, фокусу и краткости — это аналог спецификаций для SQL-запросов (количество таблиц, наличие JOIN и т.д.).
3. Активация цикла "Анализ-Синтез": Команда "Проанализируй... укажи на отклонения... предоставь исправленную версию" заставляет LLM не просто переписать текст, а сначала выполнить логическую операцию сравнения своего вывода с эталоном (правилами). Это значительно повышает вероятность того, что финальный текст будет точно соответствовать требованиям, так же как SQLBarber добивается генерации синтаксически верных и соответствующих спецификациям SQL-запросов.