Zero-shot модерация контента: простой промпт для проверки текстов на нарушения

Обнаружено: LLM по-разному ошибается на разных категориях нарушений. Грубость переопределяет (находит где её нет), угрозы недоопределяет (пропускает реальные). Это не баг модели — это разница между размытыми и чёткими критериями. Метод позволяет модерировать контент через простой промпт: определение нарушения + текст для проверки → yes/no ответ с точностью 81-100%. Промпт работает в один шаг: определение + текст → yes/no. Никакого кода, API, fine-tuning — работает в обычном чате. Для чётких категорий вроде угроз — 98-100% точность когда говорит "чисто". Для размытых вроде грубости — много ложных срабатываний, но редко пропускает реальное нарушение.