RPO (Reinforced Prompt Optimisation): пошаговая обратная связь для улучшения промптов

Одношаговый запрос: 74% точности. Та же задача за 3 сообщения: 33%. Жесть — LLM теряет половину точности когда информация раскрывается постепенно. RPO позволяет улучшать промпты для многошаговых диалогов, где модель должна отслеживать цель пользователя на дистанции 5-10 реплик. Метод не исправляет ответы модели, а переписывает сам промпт на основе анализа диалогов. Feedbacker (другая LLM или эксперт) оценивает каждый шаг диалога, rewriter встраивает эту обратную связь в новую версию промпта. Результат: 33% → 47% за 3-5 итераций.