Два дела сразу — ни одного нормально.

Исследование показывает, что LLM, особенно менее мощные, часто допускают ошибки, когда их просят одновременно рассуждать на естественном языке и генерировать структурированные данные (например, JSON). Авторы предлагают разделить этот процесс на два последовательных этапа: сначала модель генерирует только рассуждения ("мысли"), а затем, на втором шаге, на основе этих мыслей формирует структурированный вывод.

Ключевой результат: Разделение одного сложного шага на два более простых (сначала "подумай", потом "структурируй") может повысить успешность выполнения задачи до 4 раз за счет резкого снижения ошибок форматирования и "галлюцинаций".

Суть метода заключается в декомпозиции сложной задачи, требующей от LLM двух разных типов мышления одновременно: креативно-аналитического (рассуждения, выводы) и формально-логического (генерация кода или JSON с соблюдением строгого синтаксиса).

Представьте, что вы просите человека одновременно писать эссе и заполнять налоговую декларацию. Скорее всего, он будет переключаться между задачами, и в итоге допустит ошибки и в тексте, и в цифрах. LLM сталкивается с похожей проблемой. Когда вы просите ее в одном ответе "проанализировать текст и выдать результат в виде JSON", она пытается делать две вещи сразу, что часто приводит к "сломанному" JSON или неполному анализу.

Метод, описанный в исследовании, предлагает более эффективный подход, который можно сформулировать так: "Сначала полностью закончи одну задачу, затем приступай ко второй".

Практически это реализуется через двухэтапный промптинг: 1. Этап 1: "Мышление" (Think1). Вы даете модели исходные данные и просите ее провести полный анализ, сделать выводы, составить план — и изложить все это в виде обычного текста. На этом этапе вы не требуете никакого форматирования. 2. Этап 2: "Действие/Структурирование" (Think2). Вы берете текстовый результат из первого этапа и в новом запросе просите модель: "На основе вот этого твоего анализа, извлеки данные и представь их в формате JSON/таблицы/списка".

Этот подход снижает "когнитивную нагрузку" на модель, позволяя ей на каждом шаге концентрироваться на чем-то одном, что драматически повышает надежность и точность конечного результата.

• Прямая применимость: Очень высокая. Любой пользователь может вручную реализовать этот двухэтапный подход в любом чат-боте (ChatGPT, Claude и др.). Вместо одного сложного промпта нужно последовательно отправить два более простых, используя ответ на первый как контекст для второго. Или, что еще лучше, можно в одном промпте заставить модель следовать этому паттерну, явно разделив инструкции на "Шаг 1" и "Шаг 2".

• Концептуальная ценность: Огромная. Пользователь начинает понимать, что LLM — это не "черный ящик", а система с определенными ограничениями. Ключевая концептуальная идея: LLM лучше справляются с последовательностью простых задач, чем с одной сложной задачей, требующей параллельной обработки разнородной информации. Это знание помогает избегать частых ошибок и более эффективно проектировать сложные запросы.

• Потенциал для адаптации: Механизм адаптации прост и универсален. Любой промпт вида "Проанализируй X и выдай результат в формате Y" можно и нужно переформулировать в: "Ты — эксперт. Сначала проведи подробный анализ X и опиши свои выводы текстом. Затем, на основе твоего же анализа, сформируй результат в формате Y". Этот шаблон применим для анализа текстов, планирования, извлечения данных и многих других задач.

Представим, что вы маркетолог и хотите проанализировать отзыв клиента, чтобы получить и краткую суть, и структурированные данные для отчета.

Ты — опытный маркетолог-аналитик. Твоя задача — проанализировать отзыв клиента и извлечь из него ключевую информацию. Действуй строго по шагам.

**Контекст: Отзыв клиента**
> "В целом, ваш новый сервис по доставке продуктов неплох. Курьер приехал вовремя, и упаковка была на высоте. Но я был очень разочарован тем, что в заказе не хватало молока, а авокадо оказались совершенно неспелыми. Пришлось звонить в поддержку, где я прождал ответа оператора 15 минут. Девушка в итоге помогла и оформила возврат, но осадок остался."

---

**Твоя задача:**

**Шаг 1: Аналитическое резюме**
Сначала напиши краткое, но емкое резюме отзыва. Опиши общее впечатление клиента, выдели основные сильные и слабые стороны сервиса, упомянутые в тексте. Не используй списки или специальное форматирование, просто изложи свои мысли в 2-3 предложениях.

**Шаг 2: Извлечение данных в JSON**
После того как напишешь резюме, на основе **твоего же анализа и текста отзыва**, создай JSON-объект со следующей структурой. Не добавляй никаких комментариев до или после JSON-объекта.

{
  "sentiment": "",
  "positive_points": ["<список положительных моментов>"],
  "negative_points": ["<список отрицательных моментов>"],
  "mentions_support": "",
  "support_wait_time_minutes": "<число или null>"
}

Этот промпт работает за счет явного разделения когнитивных задач для LLM, что является прямой реализацией выводов исследования:

1. Четкая последовательность: Инструкции "Действуй строго по шагам", "Шаг 1" и "Шаг 2" заставляют модель выполнять операции последовательно, а не одновременно.
2. Снижение нагрузки на Шаге 1: На первом этапе (Аналитическое резюме) модели нужно выполнить только одну задачу — проанализировать текст и сформулировать выводы на естественном языке. Ей не нужно думать о синтаксисе JSON, кавычках и скобках. Это позволяет ей создать качественную текстовую основу.
3. Фокусировка на Шаге 2: На втором этапе (Извлечение данных в JSON) модель получает четкую инструкцию: "на основе твоего же анализа... создай JSON". Теперь ее задача — не анализ, а структурирование уже осмысленной информации. Это простая задача по заполнению шаблона, с которой LLM справляются гораздо лучше, что минимизирует риск синтаксических ошибок в JSON.

Представим, что пользователь хочет спланировать короткую поездку и получить как вдохновляющее описание, так и четкий план.

Ты — креативный турагент. Твоя задача — помочь мне спланировать 3-дневную поездку в Стамбул для пары, которая любит историю, вкусную еду и неспешные прогулки.

Действуй в два этапа.

**Этап 1: Вдохновляющее описание**
Сначала напиши яркий и увлекательный абзац (5-6 предложений), который передаст атмосферу предлагаемого путешествия. Опиши, какие эмоции и впечатления ждут путешественников, создай настроение предвкушения. Не перечисляй конкретные места, а сфокусируйся на ощущениях.

**Этап 2: Структурированный план**
После абзаца, основываясь на идеях, которые ты в него заложил, создай подробный план поездки в виде markdown-таблицы. Таблица должна содержать столбцы: "День", "Утро (история и культура)", "День (прогулки и еда)", "Вечер (атмосфера)".

**Важно:** Сначала должен идти вдохновляющий абзац, а сразу после него — таблица с планом. Никакого другого текста.

Этот промпт эффективен, потому что он разделяет две принципиально разные задачи: творческую и организационную.

1. Разделение по типу мышления:

   • Этап 1 (Вдохновляющее описание) задействует "креативный" потенциал LLM. Модель фокусируется на генерации образного, эмоционального текста, не отвлекаясь на логистику и структуру.
   • Этап 2 (Структурированный план) задействует "логический" потенциал. Модель переключается в режим планировщика и систематизирует информацию. Она использует уже сгенерированный креативный текст как источник идей, что обеспечивает смысловую связность между двумя частями ответа.

2. Предотвращение конфликта форматов: Без такого разделения модель могла бы попытаться вставить элементы таблицы прямо в повествование или, наоборот, сделать описание в таблице слишком сухим и формальным. Четкое разделение на "абзац" и "таблицу" гарантирует, что каждый элемент будет выполнен в наиболее подходящем для него формате, что соответствует главному выводу исследования о повышении надежности при разделении задач.