TL;DR
Когда задача сложная и в ней есть логика — ветвления, циклы, порядок шагов — добавление схемы или флоучарта к текстовому промпту улучшает результат LLM на 10–13%. Не вместо слов, а вместе с ними: текст объясняет «что», схема показывает «как устроено внутри».
Главная находка: LLM плохо восстанавливает структуру из текста. Когда читаешь описание алгоритма или бизнес-процесса словами — понимаешь примерно. Когда видишь схему — понимаешь точно. Для модели ровно то же самое: текстовое описание сложной логики оставляет пространство для ошибочной интерпретации, а схема однозначно фиксирует порядок и зависимости.
Метод работает в два шага: нарисуй схему процесса (флоучарт, mind-map, дерево решений, любую визуализацию структуры) → загрузи вместе с текстовым промптом в ChatGPT или Claude. Один запрос, никаких итераций. Особенно мощно — на сложных задачах с разветвлённой логикой.
Схема метода
ШАГ 1: Текстовый промпт → описание задачи словами
ШАГ 2: Схема/флоучарт → изображение структуры процесса
Оба — в одном запросе. LLM получает два канала: текст + визуал.
⚠️ Требуется мультимодальная модель с поддержкой изображений: ChatGPT (GPT-4o), Claude (Sonnet, Opus). Бесплатные версии могут не поддерживать загрузку изображений.
Пример применения
Задача: Владелец небольшого интернет-магазина хочет, чтобы Claude написал скрипт для менеджера по работе с претензиями. Процесс нетривиальный: разные типы жалоб, условия возврата, эскалация. Текстом это сложно описать так, чтобы не потерять детали.
Промпт:
Я загружаю схему процесса обработки претензий клиентов
в нашем интернет-магазине.
На схеме: типы жалоб → условия рассмотрения →
решения (возврат / обмен / отказ) → точки эскалации к старшему менеджеру.
На основе схемы и описания ниже напиши скрипт (инструкцию с репликами)
для менеджера колл-центра.
Контекст: магазин электроники, средний чек 15 000 ₽,
доставка по России, гарантия 1 год.
[загружаем изображение схемы]
Результат: Модель получает структуру процесса из схемы и детали контекста из текста. Скрипт будет точно отражать все развилки из схемы — Claude не будет «домысливать» порядок действий или пропускать ветки. Особенно заметна разница, если процесс сложнее трёх шагов.
Почему это работает
Слабость LLM: Модель читает текст линейно. Когда в описании есть «если условие А — делай одно, если Б — другое», она понимает абстрактно. Чем больше ветвлений — тем выше шанс, что модель упростит, пропустит ветку или перепутает порядок.
Сильная сторона LLM: Мультимодальные модели хорошо соединяют информацию из разных источников. Текст даёт семантику — что значат элементы. Схема даёт топологию — как они связаны. Вместе это точнее, чем каждый источник по отдельности.
Как метод использует это: Флоучарт работает как однозначный контракт на структуру. Модели не нужно реконструировать логику из слов — она видит её напрямую. Чем сложнее задача, тем больше выигрыш: на простых задачах (одна ветка, линейный процесс) разница маленькая, на сложных (много условий, циклы, исключения) — радикальная.
Рычаги управления: - Уровень детализации схемы → даже грубый набросок от руки на бумаге (сфотографированный) лучше отсутствия схемы. Полностью детализированная схема даёт максимум. - Один пример с решением в промпте (one-shot) → стабильное улучшение результата. Два примера дают минимальный прирост сверх одного. - Сложность задачи → чем запутаннее логика, тем сильнее эффект от добавления схемы.
Шаблон промпта
Я загружаю схему {что изображено на схеме: процесс / структура / дерево решений}.
На схеме показано: {краткое описание ключевых элементов схемы}.
Дополнительный контекст: {текстовое описание задачи, детали, ограничения}.
На основе схемы и описания: {конкретное задание — напиши инструкцию /
найди узкие места / предложи улучшения / разработай скрипт}.
[прикрепить изображение схемы]
Что подставлять:
- {что изображено} — тип схемы: процесс обработки заявок, оргструктура, воронка продаж, алгоритм принятия решений
- {краткое описание} — помогает модели ориентироваться: «три типа клиентов → две ветки решений → точка эскалации»
- {текстовое описание} — контекст, числа, специфика, которую нельзя нарисовать
- {конкретное задание} — что именно нужно сделать с этой информацией
🚀 Быстрый старт — вставь в чат:
Вот шаблон для работы со схемами и флоучартами в промптах.
Адаптируй под мою задачу: {твоя задача}.
Спрашивай, чтобы заполнить поля шаблона.
[вставить шаблон выше]
LLM спросит что за схема и что нужно сделать — потому что без понимания типа схемы и конечной цели она не сможет правильно объединить два канала информации.
Ограничения
⚠️ Работает только с мультимодальными моделями: GPT-4o, Claude Sonnet/Opus, Gemini. Текстовые модели без поддержки изображений — неприменимо.
⚠️ Эффект минимален на простых задачах: Если логика линейная (два-три шага без ветвлений) — прирост незначительный. Метод раскрывается на сложных, разветвлённых процессах.
⚠️ Только схемы структуры и логики: Фотографии, иллюстрации, скриншоты интерфейсов работают иначе. Флоучарты и структурные схемы — наиболее изученный случай. Для других типов визуала эффект может отличаться.
⚠️ Исследовали на задачах кодирования: Перенос на нетехнические задачи логичен, но не верифицирован экспериментально. Принцип убедителен, но точных цифр для бизнес-задач нет.
Как исследовали
Исследователи из Университета Кюсю взяли 289 задач по программированию с японской платформы AtCoder (четыре уровня сложности: A = простые, D = сложные) и написали к ним решения на Python. Из каждого решения автоматически сгенерировали флоучарт через инструмент Visustin. Потом запустили GPT-4o в двух режимах: только текст задачи vs. текст + флоучарт.
Интересный дизайн: флоучарты делали с разным уровнем детализации — убирали вложенные блоки, оставляя только «скелет» логики. Это позволило проверить: нужна ли точная схема или хватает грубого наброска? Ответ оказался неожиданным — даже самый абстрактный флоучарт лучше, чем его отсутствие, и точность растёт по мере добавления деталей.
Самый любопытный результат: разница между «без схемы» и «со схемой» на простых задачах составила 4–10%, а на сложных — 13%. То есть именно там, где LLM чаще всего ошибается из-за запутанной логики, схема помогает больше всего. Каждую задачу прогоняли пять раз — чтобы учесть случайность в ответах модели.
Адаптации и экстраполяции
🔧 Техника: замени флоучарт на фото белой доски → теже принципы, нулевые усилия
Нарисовал схему маркером на доске во время планирования — сфотографировал — отправил в Claude. Инструмент для рисования не нужен. Работает для любых структурных схем: процессы, иерархии, матрицы решений.
🔧 Техника: один показательный пример (one-shot) → стабильный прирост без затрат
Если добавляешь схему — добавь один пример «схема → правильный результат». Исследование показало: один пример стабильно улучшает качество, два — дают минимальный прирост сверх одного. Не трать время на подготовку нескольких примеров.
Экстраполяция — принцип за пределами кодирования:
Флоучарт — это способ однозначно передать структуру и зависимости. Тот же принцип работает везде, где важна структура:
Ситуация: нужно объяснить Claude сложную систему скидок в магазине.
Промпт:
На схеме — дерево решений нашей системы лояльности:
входящий клиент → сегмент (новый / вернувшийся / VIP) →
тип покупки → применимая скидка → исключения.
[загружаем схему]
Напиши FAQ для сотрудников: как объяснить клиенту его скидку в
каждом сценарии. Тон — дружелюбный, без корпоратива.
Это уже не про код — про передачу сложной раздвоенной логики в одном запросе.
Ресурсы
Название работы: Exploring the Potential of Program Flowcharts on Code Generation Using Multimodal LLMs
Авторы: Yuki Toi, Tao Xiao, Kazushi Tomoto, Masanari Kondo, Yasutaka Kamei
Организация: Kyushu University, Fukuoka, Japan
Инструмент генерации флоучартов: Visustin — https://www.aivosto.com/visustin.html
Датасет: AtCoder Beginner Contest — https://atcoder.jp