ICA (Intent, Context, Action): псевдокод вместо текста для сложных workflow'ов

Intent: [Какая цель у запроса]

if [Условие на контексте 1]:
 if [Условие на контексте 2]:
 Action: [Что делать]
 else:
 Action: [Альтернативное действие]
else:
 Action: [Другое действие]

Всё выполняется в одном промпте. Модель читает структуру, проверяет условия по порядку, выдаёт соответствующее действие.

Задача: Решить принять ли оффер от новой компании — структурировать критерии принятия решения в явную логику вместо интуитивных размышлений "с одной стороны... с другой стороны..."

Промпт:

Помоги принять решение о переходе на новую работу. 
Преобразуй мои критерии в псевдокод формата ICA (Intent, Context, Action).

Intent: Оценить предложение о работе

Контексты для проверки:
- Зарплата: текущая 150к, новая 200к
- Офис: текущий 20 мин, новый 60 мин
- Должность: текущая middle, новая middle
- Компания: текущая стабильная, новая стартап
- Команда: текущая знакомая, новая незнакомая

Мои приоритеты:
1. Зарплата важнее всего если разница >30%
2. Если стартап — должна быть значительная компенсация (+50% минимум)
3. Дорога >45 мин — только если очень хорошие условия
4. Смена команды — только если growth opportunities

Преобразуй в if-else логику с чёткими рекомендациями для каждого сценария.

Результат: Модель структурирует критерии в псевдокод с явными условиями и ветвлениями. Каждая комбинация факторов получит чёткую рекомендацию: "принять", "отклонить" или "запросить улучшение условий". Логика станет явной и легко проверяемой — сразу видно какие сценарии ведут к какому решению, нет размытых "зависит от ситуации".

LLM лучше обрабатывают структурированные инструкции чем неявную логику в тексте. В обычном описании условия размыты: "если стартап и большая зарплата и не очень далеко" — непонятно что важнее, как комбинируются факторы. В псевдокоде всё явно: сначала проверяем стартап, если да — требуем +50%, потом расстояние, потом остальное.

Псевдокод работает как контракт между вами и LLM. Вместо "подумай учитывая эти факторы" вы даёте чёткий алгоритм: "если А и Б, то В". LLM отлично следует таким инструкциям — они похожи на код, который модель видела в тренировочных данных. Нет интерпретации, есть выполнение.

В оригинальном исследовании точность выросла с 51% до 85% на Mistral-7B только за счёт перехода с rich text на ICA формат. Это +67% относительного улучшения. Особенно сильно эффект на маленьких моделях: для большой Model 1 улучшение было +13%, а для маленькой Mistral-7B целых +54%.

Рычаги управления:

• Глубина вложенности if-else: больше веток = точнее логика, но сложнее читать. Для простых задач 2-3 уровня, для сложных можно 5+
• Порядок проверки условий: что проверяем первым влияет на финальное решение. Ставьте самые важные критерии в начало
• Детализация действий: от короткого "Action_1" до подробного описания следующих шагов

Преобразуй {описание процесса} в формат ICA (Intent, Context, Action).

Intent: {какая цель}

Contexts:
- {фактор 1}: {возможные значения}
- {фактор 2}: {возможные значения}
- {фактор 3}: {возможные значения}

Критерии решения:
{правила и приоритеты в свободной форме}

Создай псевдокод в формате:

Intent: {цель}

if {условие на контекст 1}:
 if {условие на контекст 2}:
 Action: {что делать}
 else:
 Action: {альтернатива}
else:
 if {другое условие}:
 Action: {ещё вариант}
 else:
 Action: {финальный вариант}

Покажи полную логику для всех комбинаций факторов.

Заполни:

• {описание процесса} — что нужно структурировать (принятие решения, бизнес-процесс, процедура)
• {какая цель} — Intent в одном предложении
• {фактор N} — переменные которые влияют на решение
• {правила и приоритеты} — ваша логика принятия решений

🚀 Быстрый старт — вставь в чат:

Вот шаблон ICA формата. Адаптируй под мою задачу: [твоя задача]. 
Задавай вопросы, чтобы заполнить поля.

[вставить шаблон выше]

LLM спросит какие факторы важны для твоего решения, какая логика приоритетов — потому что для построения if-else дерева нужны явные условия и их порядок. Она возьмёт структуру из шаблона и адаптирует под задачу.

⚠️ Сложные нелинейные зависимости: Если решение зависит от комбинации факторов которую сложно выразить через if-else (например, "зарплата важна но только если не стартап, а если стартап то неважна если есть опционы"), псевдокод станет громоздким и нечитаемым.

⚠️ Субъективные критерии: Для задач где нет чётких правил (креативные решения, эмоциональная оценка, интуитивные выборы) жёсткая if-else структура может ограничить естественные рассуждения модели.

⚠️ Динамические контексты: Если условия меняются в процессе диалога или зависят от предыдущих шагов, статичный псевдокод нужно обновлять вручную. Не подходит для iterative процессов.

Команда Airbnb взяла реальные customer support workflow'ы и конвертировала их из rich text (с таблицами, списками, заголовками, гиперссылками) в ICA псевдокод. Затем протестировали на 4 моделях — от больших проприетарных (Model 1, Model 2) до маленьких open-source (Mixtral-8x7B, Mistral-7B).

Ключевой результат: на Mistral-7B точность выросла с 16% (rich text без CoT) до 70% (ICA + CoT) — это в 4+ раза! Даже без fine-tuning. А с fine-tuning на синтетических данных достигли 85%.

Особенно интересно что ICA формат сильнее помог маленьким моделям чем большим. Для Model 1 улучшение было +13%, а для Mistral-7B целых +54%. Это показывает что структурированный формат компенсирует недостаток размера модели — правильная упаковка знаний важнее брутфорса параметрами.

В онлайн-тестах на 5000+ реальных обращениях клиентов fine-tuned Mistral-7B с ICA сократил время обработки на 13% по сравнению с базовым подходом. При этом большие модели с CoT увеличили время из-за latency — они генерировали слишком много токенов.

Главный инсайт для практики: Если у вас сложные workflow'ы в текстовом формате — конвертируйте в псевдокод. Это даст больший прирост точности чем переход на более мощную модель.

Авторы показывают пример конвертации из rich text в ICA:

Оригинальный workflow (упрощённо):

Reservation Cancellation Policy

When a guest requests cancellation:
- If reservation is more than 48 hours away:
 Check if it's a strict cancellation policy
 - If strict: Charge 50% fee
 - If moderate: Full refund
- If reservation is less than 48 hours away:
 No refund unless extenuating circumstances

ICA формат:

Intent: Guest requests reservation cancellation

if time_until_reservation > 48_hours:
 if cancellation_policy == "strict":
 Action: charge_50_percent_fee
 elif cancellation_policy == "moderate": 
 Action: full_refund
else:
 if extenuating_circumstances == True:
 Action: review_extenuating_circumstances
 else:
 Action: no_refund

Контекст: В исследовании этот формат затем использовался для генерации синтетических тренировочных данных и fine-tuning моделей. Но сам ICA формат работает и без fine-tuning — просто вставляете в промпт.

💡 Адаптация для личных decision frameworks:

ICA можно использовать не только для бизнес-процессов, но и для структурирования личных систем принятия решений — от выбора квартиры до планирования карьеры.

Помоги создать decision framework для {моя задача}.

Используй ICA формат:

Intent: {цель решения}

Variables:
- {фактор 1}: {значения}
- {фактор 2}: {значения}
- {фактор 3}: {значения}

Priorities:
1. {главный приоритет}
2. {второй приоритет}
3. {третий приоритет}

Создай псевдокод который выдаст чёткую рекомендацию для любой комбинации факторов.
Покажи все возможные пути решения.

🔧 Техника: Визуализация логики → видеть все пути решения

После создания псевдокода добавь:

Преобразуй этот псевдокод в decision tree diagram в текстовом формате. 
Покажи все возможные пути и их финальные действия.

Это помогает увидеть полную картину: какие комбинации факторов к чему ведут, есть ли пропущенные сценарии, нет ли противоречий в логике.

🔧 Техника: Action IDs → быстрое сравнение вариантов

Вместо текстовых описаний действий используй номера:

Action_1: Принять оффер
Action_2: Отклонить оффер 
Action_3: Запросить улучшение условий

Затем попроси модель:

Для этих трёх вариантов моих данных:
- Вариант А: зарплата +20%, офис +40 мин, стартап
- Вариант Б: зарплата +50%, офис +60 мин, стабильная компания
- Вариант В: зарплата +35%, офис +20 мин, стартап

Какие Action ID получатся? Выведи таблицу.

Это даёт quick comparison разных сценариев без генерации длинных объяснений.

"LLM-Friendly Knowledge Representation for Customer Support"

Airbnb Inc.

Hanchen Su, Wei Luo, Wei Han, Yu Liu, Yufeng Zhang, Cen Zhao, Joy Zhang, Yashar Mehdad