Data Fusion Prompting: слияние конфликтующих данных из нескольких источников

Шаг 1: EXAMPLE (опционально) → один готовый пример слияния 
        [источник 1: данные] [источник 2: данные] → [результат]

Шаг 2: BODY → таблица конфликтующих данных по источникам
        "Объект: [конкретное название типа — Книга, Товар, Рейс]
         Атрибут: [конкретное название — Автор, Цена, Время прибытия]
         Источник 1: [значение]
         Источник 2: [значение]
         Источник 3: [значение]"

Шаг 3: QUESTION → задача слияния
        "Определи истинное значение атрибута для этого объекта"

Шаг 4: CONSTRAINTS → правила
        C1: "Используй только значения из источников выше"
        C2: "Если одно значение представлено в разных форматах — считай их одним"

Шаг 5: FORMAT → формат вывода
        "Ответ: [формат]"

Все шаги — в одном промпте. Отдельных запросов не нужно.

Задача: Ты запускаешь товар на маркетплейсах. Собрал информацию о конкурирующем продукте с Ozon, Wildberries и сайта производителя — данные везде разные. Нужно слить в одну карточку.

Промпт:

## ПРИМЕР
Товар: Беспроводные наушники Sony WH-1000XM5
Атрибут: Время работы от батареи

Источник 1 (Ozon): "до 30 часов"
Источник 2 (Wildberries): "30 h"
Источник 3 (DNS): "30 часов / 3 часа при быстрой зарядке"

Результат: {30 часов, быстрая зарядка за 3 часа}

---

## ДАННЫЕ
Товар: Bluetooth-колонка JBL Charge 5

Атрибут 1 — Мощность:
Источник 1 (Ozon): "40 Вт"
Источник 2 (Wildberries): "40W RMS"
Источник 3 (М.Видео): "мощность звука 40 Вт"

Атрибут 2 — Особенности:
Источник 1 (Ozon): "водонепроницаемая, PowerBank"
Источник 2 (Wildberries): "IP67, зарядка других устройств, стерео-режим"
Источник 3 (М.Видео): "защита от воды IP67, PartyBoost, powerbank функция"

## ЗАДАЧА
Для каждого атрибута этого товара определи истинные значения.
Там, где может быть несколько правильных значений — укажи все.
Там, где одно — укажи одно.

## ОГРАНИЧЕНИЯ
- Используй только значения из источников выше, не добавляй ничего от себя
- Если одно и то же значение написано по-разному ("40 Вт" и "40W RMS") — 
  считай это одним значением

## ФОРМАТ
Атрибут 1 — Мощность: [результат]
Атрибут 2 — Особенности: [результат]

Результат: Модель покажет для каждого атрибута: объединит очевидные дубли ("40 Вт" = "40W RMS"), соберёт все уникальные характеристики из разных источников (IP67, PartyBoost, PowerBank, стерео), отсечёт повторы. Получишь чистую карточку товара без противоречий.

Слабость LLM: Без контекста о предметной области модель не знает, является ли "J.R.R. Tolkien" и "John Ronald Reuel Tolkien" одним человеком или двумя разными. Абстрактный промпт ("сущность", "источник") убирает все смысловые подсказки — и модель работает хуже.

Сильная сторона LLM: Модель хранит огромное количество знаний о реальных объектах — книгах, фильмах, товарах, людях. Когда промпт называет конкретный тип ("книга", "автор"), модель активирует нужный контекст и понимает, что "Tolkien" и "J.R.R. Tolkien" — одно лицо, что у книги может быть несколько жанров, что "40 Вт" и "40W" — одно значение.

Как метод использует это: Доменно-зависимый промпт буквально "включает" нужные знания. Ограничения убирают два главных источника ошибок: галлюцинации (C1 — не выдумывай) и дубли форматов (C2 — не считай их разными). Один пример (1-shot) показывает модели паттерн вывода — особенно помогает для сложных случаев.

Рычаги управления: - Многозначность — фраза "может быть несколько правильных значений" включает multi-truth режим: модель не будет выбирать одно, а соберёт все валидные - Constraint C1 — можно убрать если хочешь позволить модели нормализовать значения (например, дополнить аббревиатуру) - Constraint C2 — добавляй всегда когда источники могут использовать разные единицы, форматы дат, аббревиатуры - 1-shot пример — чем сложнее и специфичнее данные, тем важнее. Для простых данных можно убрать

## ПРИМЕР
Объект: {название_объекта}
Атрибут: {название_атрибута}

Источник 1 ({источник_1}): "{значение_1}"
Источник 2 ({источник_2}): "{значение_2}"
Источник 3 ({источник_3}): "{значение_3}"

Результат: {пример_слияния}

---

## ДАННЫЕ
Объект: {конкретное_название_объекта}

Атрибут 1 — {название_атрибута_1}:
Источник 1 ({источник_1}): "{значение}"
Источник 2 ({источник_2}): "{значение}"
Источник 3 ({источник_3}): "{значение}"

Атрибут 2 — {название_атрибута_2}:
Источник 1 ({источник_1}): "{значение}"
Источник 2 ({источник_2}): "{значение}"
Источник 3 ({источник_3}): "{значение}"

## ЗАДАЧА
Для каждого атрибута определи истинные значения.
Там, где может быть несколько правильных значений одновременно — укажи все.
Там, где одно — укажи одно.

## ОГРАНИЧЕНИЯ
- Используй только значения из источников выше, не добавляй ничего от себя
- Если одно и то же значение написано в разных форматах — считай их одним

## ФОРМАТ
Атрибут 1 — {название_атрибута_1}: [результат]
Атрибут 2 — {название_атрибута_2}: [результат]

Что подставлять: - {название_объекта} — конкретный тип: "Книга ISBN 978-...", "Товар Артикул 1234", "Рейс SU-215" - {название_атрибута} — конкретное свойство: "Автор", "Цена", "Время вылета", не "Атрибут 1" - {источник_N} — откуда данные: "Ozon", "Wildberries", "сайт производителя" - Убери блок ## ПРИМЕР если данные простые и однозначные - Убери ограничение C1 если хочешь позволить модели нормализовать/дополнить значения

🚀 Быстрый старт — вставь в чат:

Вот шаблон для слияния конфликтующих данных из нескольких источников.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.

[вставить шаблон выше]

LLM спросит про тип объекта, названия атрибутов и откуда берёшь данные — потому что конкретные названия критичны для качества слияния. Она возьмёт паттерн из шаблона и адаптирует под твой кейс.

⚠️ Доменно-независимые промпты работают хуже: Если заменить конкретные названия ("книга", "автор") на абстрактные ("сущность", "атрибут") — качество слияния падает значительно, особенно для сложных данных. Всегда называй конкретный тип объекта и атрибута.

⚠️ Constraint C1 в одиночку может навредить: Ограничение "бери только из источников" без C2 ("разные форматы = одно значение") иногда снижает точность — модель начинает избыточно буквально трактовать значения. Используй C1 и C2 вместе или только C2.

⚠️ Слабее работает для структурированных числовых данных: Расписания, временны́е данные, точные числа — LLM справляется хорошо, но небольшие расхождения (разница в 5 минут, разные часовые пояса) может проигнорировать. Для критически точных данных перепроверяй вручную.

⚠️ Требует, чтобы данные были уже собраны: Метод предполагает что ты уже скопировал данные из源 в промпт. Подходит для десятков записей — не для тысяч строк.

Команда Манчестерского университета взяла три реальных датасета с заведомо конфликтующими данными: 894 источника с информацией о книгах, 15 сайтов с данными о фильмах (IMDb, Amazon, Metacritic и другие) и 38 источников о расписании рейсов. В каждом датасете есть "правильный ответ" (ground truth) — так что можно измерить точно.

Идея была простой: сравнить LLM-подходы с классическими алгоритмами слияния данных — голосованием большинства, взвешенным голосованием и байесовскими моделями. Интересно, что доменно-зависимые промпты обогнали все классические алгоритмы на датасете книг с большим отрывом. Но самое неожиданное: классические алгоритмы оказались неплохи на лётном датасете — там значения строго однозначные, и простое голосование работает.

Авторы намеренно проверили что произойдёт если убрать ID рейса из промпта ("obfuscated" настройка) — чтобы понять, не "подглядывает" ли модель ответ в обучающих данных. Результаты почти не изменились, что подтверждает: модель реально рассуждает, а не просто воспроизводит.

Оригинал заточен под фактические данные. Но тот же паттерн работает когда нужно собрать "коллективное мнение" из разных источников:

Замени: "Определи истинное значение" → "Определи общую позицию и точки разногласия"

Убери: Оба ограничения C1 и C2 (они блокируют синтез)

Добавь: "Если мнения противоречат — укажи это явно как спорный вопрос"

## ДАННЫЕ
Тема: SEO-стратегия для e-commerce в 2025 году

Эксперт 1 (блог Neilfound): "Контент — всё, ссылки умерли"
Эксперт 2 (Semrush-исследование): "Ссылочная масса по-прежнему топ-фактор"
Эксперт 3 (Яндекс.Вебмастер): "Поведенческие факторы важнее технического SEO"

## ЗАДАЧА
Определи: в чём эксперты сходятся, в чём расходятся, что считать рабочей позицией.

## ФОРМАТ
Консенсус: [что все признают]
Спорно: [где мнения расходятся и почему]
Рабочая позиция: [что стоит взять за основу и почему]

Multi-truth принцип можно применить для сравнения редакций одного документа — когда несколько людей правили один текст и нужно найти "лучшую версию":

## ДАННЫЕ  
Документ: Оффер для landing page

Редакция 1 (маркетолог): "Автоматизируй рутину и освободи 3 часа в день"
Редакция 2 (копирайтер): "Перестань тратить время на задачи, которые делает бот"
Редакция 3 (CEO): "Инструмент для команд, которые ценят своё время"

## ЗАДАЧА
Определи лучшие элементы каждой редакции и создай итоговый вариант,
сохранив сильные части. Укажи, что взял из каждой версии.

## ОГРАНИЧЕНИЯ
Используй только формулировки из версий выше, не добавляй новые слова

Статья: Single and Multi Truth Data Fusion using Large Language Models

Авторы: Hira Beril Kucuk, Norman W. Paton, Jiaoyan Chen, Zhenyu Wu — Department of Computer Science, University of Manchester

Код: github.com/hiraberil/LLM-DataFusion

Упомянутые методы-сравнения: LTM (Latent Truth Model), DART (Domain-Aware Truth Discovery), Majority Vote, Source Reliability Vote