LLM галлюцинирует на точных расчётах — не потому что глупая, а потому что её учили на текстах, а не на математике.

Исследование представляет систему SmartAPS — чат-бота, который позволяет специалистам по планированию общаться со сложной системой управления (APS) на естественном языке. Вместо того чтобы LLM пыталась сама всё рассчитать, она выступает в роли "умного диспетчера": определяет, что хочет пользователь, находит подходящий программный инструмент для анализа или расчета, запускает его с нужными данными и затем переводит технический результат обратно на понятный человеку язык.

Ключевой результат: LLM можно эффективно использовать не как всезнающего оракула, а как интуитивный интерфейс к другим, более точным и надежным программам и базам данных.

Суть метода — в разделении труда. LLM отлично справляется с пониманием человеческого языка, но плохо — с точными расчетами и работой с актуальными данными. Поэтому вместо того, чтобы заставлять модель делать то, что она не умеет, авторы создали систему, где LLM выполняет роль переводчика и координатора.

Практическая методология, которую можно извлечь из этого исследования, заключается в том, чтобы структурировать свой промпт по логике работы системы SmartAPS. Вместо того чтобы писать "проанализируй рынок для моего продукта", нужно разбить запрос на логические блоки, как это делает машина:

1. Определение Намерения (Intent): Четко сформулируйте конечную цель. Пример: "Я хочу оценить перспективы запуска нового продукта".
2. Выбор Инструмента (Tool Selection): Укажите модели, какую методологию или фреймворк использовать. Это аналог выбора "API" в системе. Пример: "Используй для этого SWOT-анализ".
3. Извлечение Параметров (Parameter Extraction): Предоставьте все необходимые входные данные в структурированном виде. Это аналог заполнения полей для функции. Пример: "Продукт: ..., Целевая аудитория: ..., Конкуренты: ...".
4. Формирование Ответа (Response Refining): Укажите, в каком виде вы хотите получить результат. Пример: "Представь результат в виде таблицы, а затем дай краткое резюме по каждому пункту".

Такой подход превращает ваш промпт из нечеткой просьбы в четкое техническое задание для модели, что кардинально повышает качество и предсказуемость результата. Вы, по сути, вручную эмулируете работу LLM-агента.

• Прямая применимость: Пользователь может напрямую применять логику "Намерение -> Инструмент -> Параметры -> Формат" для структурирования своих сложных запросов в любом чат-боте. Это не требует кода или специальных инструментов, только изменения подхода к написанию промпта.
• Концептуальная ценность: Ключевая идея — LLM не как база знаний, а как процессор естественного языка. Модель не должна "знать" ответ, она должна "понять" задачу и "применить" предоставленный ей метод к предоставленным данным. Это помогает пользователю перестать задавать вопросы "из вакуума" и начать предоставлять модели все необходимое для качественной работы.
• Потенциал для адаптации: Метод легко адаптируется для любой задачи. Планирование путешествия, написание маркетинговой стратегии, создание контент-плана, анализ документа — все эти задачи можно разложить по описанной выше структуре. Механизм адаптации — это осознанное разделение в промпте роли, цели, методологии, входных данных и желаемого формата вывода.

Ты — опытный маркетолог-аналитик. Твоя задача — помочь мне с запуском нового продукта, используя стандартные аналитические фреймворки.

**1. Роль и Цель (Intent):**
Я хочу получить предварительный анализ сильных и слабых сторон, возможностей и угроз для моего нового продукта, чтобы принять решение о дальнейших инвестициях.

**2. Инструмент и Методология (Tool):**
Проведи анализ по методологии **SWOT** (Strengths, Weaknesses, Opportunities, Threats).

**3. Входные данные (Parameters):**
*   **Продукт:** "Энергия Города" — готовые кофейные напитки в банках с добавлением адаптогенов (родиола розовая, ашваганда).
*   **Целевая аудитория:** Офисные работники и студенты 20-35 лет в крупных городах, которые ищут здоровую альтернативу обычным энергетикам.
*   **Рынок:** Высококонкурентный рынок готовых кофейных напитков и энергетиков.
*   **Уникальное торговое предложение (УТП):** Натуральный состав, отсутствие сахара, польза адаптогенов для снижения стресса и улучшения концентрации.
*   **Слабое место:** Более высокая цена по сравнению с обычным кофе и популярными энергетиками.

**4. Формат вывода (Response Refinement):**
*   Представь результат в виде таблицы с четырьмя квадрантами: Сильные стороны, Слабые стороны, Возможности, Угрозы.
*   В каждой ячейке таблицы должно быть не менее 3-х тезисов.
*   После таблицы напиши краткое резюме (2-3 предложения) с твоей главной рекомендацией: стоит ли продолжать развивать проект или риски слишком высоки.

Этот промпт работает, потому что он имитирует логику системы SmartAPS, превращая расплывчатый запрос в четкую инструкцию:

• Снижение когнитивной нагрузки на LLM: Модели не нужно угадывать, что вы имеете в виду под "проанализируй". Вы даете ей конкретный "инструмент" — SWOT-анализ.
• Четкое определение входных данных: Вместо того чтобы заставлять модель выдумывать детали, вы предоставляете ей все "параметры" (продукт, аудитория, УТП). Это заземляет ответ на реальных фактах.
• Структурирование вывода: Требование к формату (таблица + резюме) гарантирует, что ответ будет не просто потоком текста, а структурированным и удобным для использования документом.
• Эмуляция "API вызова": По сути, промпт становится похож на вызов функции в программировании: SWOT_Analysis(product, audience, market, UTP). Это язык, на котором LLM "думает" гораздо эффективнее.

Ты — опытный HR-специалист и рекрутер. Твоя задача — помочь мне подготовиться к собеседованию.

**1. Роль и Цель (Intent):**
Я хочу подготовиться к поведенческому собеседованию на позицию менеджера проектов. Мне нужно отрепетировать ответы на возможные вопросы.

**2. Инструмент и Методология (Tool):**
Мы будем использовать технику **STAR** (Situation, Task, Action, Result) для формулирования ответов. Ты будешь задавать мне типичные поведенческие вопросы, а я буду на них отвечать. Твоя задача — оценить мой ответ по методу STAR и дать рекомендации по улучшению.

**3. Входные данные (Parameters):**
*   **Моя роль:** Я претендую на позицию "Менеджер IT-проектов".
*   **Мой опыт (контекст для ответов):** Я 3 года работал в компании "ТехноСофт", руководил командой из 5 разработчиков, успешно запустил 2 крупных проекта. Один из проектов был на грани срыва сроков, но я смог его спасти.
*   **Начнем с первого вопроса:** "Расскажите о ситуации, когда вам пришлось столкнуться с серьезным конфликтом в команде и как вы его разрешили".

**4. Формат вывода (Response Refinement):**
После того как я дам свой ответ на твой вопрос, ты должен:
1.  Кратко оценить, все ли компоненты STAR (Ситуация, Задача, Действие, Результат) присутствуют в моем ответе.
2.  Дать 1-2 конкретных совета, как можно было бы улучшить мой ответ, чтобы он звучал убедительнее.
3.  Задать следующий вопрос.

Этот пример работает по тому же принципу, что и предыдущий, но в интерактивном, диалоговом режиме.

• Задание четкого фреймворка: Вместо абстрактной просьбы "потренируй меня к собеседованию", пользователь задает конкретную методологию — STAR. Это превращает LLM из простого собеседника в тренера, который оценивает ответы по известным критериям.
• Предоставление контекста: Информация о роли и опыте — это "параметры", которые помогают LLM задавать релевантные вопросы и понимать контекст ответов пользователя.
• Управление диалогом: Промпт задает четкий цикл взаимодействия: "Вопрос от LLM -> Ответ от пользователя -> Оценка по STAR от LLM -> Следующий вопрос". Это имитирует работу "Conversation Manager" из исследования, который управляет состоянием диалога и последовательностью шагов.
• Надежность и фокус: Такой подход не дает модели "уплыть" в общие рассуждения о карьере. Он заставляет ее строго следовать заданной роли и методологии, что делает сессию подготовки максимально сфокусированной и полезной.