Evidence Table Search: как заставить LLM решать головоломку через таблицы улик и жёсткую проверку, а не угадывание

ШАГ 1: Собрать сырые данные → таблица «Улики» (список фактов, аномалий, сигналов)
ШАГ 2: Классифицировать улики по категориям/паттернам → таблица «Классификация»
ШАГ 3: Сгенерировать 3-5 кандидатов-гипотез на основе таблиц
ШАГ 4: Проверить каждого кандидата по чек-листу жёстких правил → 
        прошёл = финал / не прошёл = скорректировать таблицы и вернуться к ШАГУ 3

Все четыре шага происходят в одном непрерывном диалоге — модель сама решает, когда данных достаточно и когда пора вернуться назад.

Задача: Продажи интернет-магазина упали на 30% за месяц, и нужно понять причину, имея на руках разрозненные данные: трафик, конверсия, средний чек, расходы на рекламу, изменения цен, отзывы клиентов.

Промпт:

Вот данные по продажам за последние 3 месяца: [вставить таблицу/цифры].

Помоги разобраться, почему в октябре продажи упали на 30%. Работай так:

1. Выпиши в таблицу «Улики» все аномалии в данных — что изменилось, когда, 
   на сколько. Без выводов, только факты.

2. Сгруппируй улики по категориям возможных причин: реклама, цена, 
   сезонность, конкуренты, технические проблемы сайта, качество продукта.

3. Предложи 3 разные гипотезы, что могло вызвать падение.

4. Для каждой гипотезы проверь: подтверждается ли она ВСЕМИ данными 
   без противоречий? Если хоть один факт противоречит гипотезе — 
   явно скажи об этом и отбрось её.

5. Оставь только гипотезу, которая прошла проверку по всем пунктам, 
   и покажи, как именно ты её проверял.

Результат: Модель сначала выдаст таблицу фактов без интерпретаций, затем разложит их по категориям, предложит несколько версий причины падения, а после — явно пройдётся по каждой версии и отбросит те, что противоречат хотя бы одному факту. В финале — одна гипотеза с видимой цепочкой проверки, а не с одного взгляда угаданный ответ.

LLM, когда её просят напрямую "объясни, почему упали продажи" или "поставь диагноз", склонна выдать первую правдоподобную историю и остановиться на ней — она не заглядывает назад и не сверяет вывод со всеми фактами одновременно. Это и показал эксперимент: тот же ИИ без структуры давал разброс результатов "то почти правильно, то полностью мимо".

Зато LLM хорошо умеет раскладывать информацию по таблицам и применять явные правила, если их сформулировать заранее. Метод берёт эту сильную сторону и заставляет модель сначала зафиксировать факты отдельно от выводов, а потом явно сверять каждую версию ответа с чек-листом — вместо того чтобы доверять модели держать всё "в голове" одновременно.

Рычаги управления: - Число проверочных правил в чек-листе — добавляй свои критерии под задачу (для финансов: баланс должен сойтись; для диагностики: симптом не должен противоречить факту) - Число кандидатов-гипотез — увеличь для сложных неоднозначных случаев, уменьши для простых - Отсутствие примеров решённых задач в промпте — исследователи специально не давали агенту образцов, чтобы он не копировал паттерн, а рассуждал сам; убери это правило, если хочешь быстрый ответ по аналогии - Условие повтора цикла ("если не прошло проверку — вернись к шагу 3") — можно ограничить количеством попыток, чтобы модель не зависала в бесконечном пересмотре

Вот данные по задаче: {данные}.

Нужно разобраться: {вопрос/задача}.

Работай по методу «Улики → Классификация → Гипотезы → Проверка»:

1. Выпиши в таблицу «Улики» все факты, аномалии, сигналы из данных. 
   Без выводов, только то, что явно видно.

2. Сгруппируй улики по категориям: {категории_причин}.

3. Предложи {N} разных гипотез/версий, которые объясняют ситуацию.

4. Для каждой гипотезы проверь по критериям: {критерии_проверки}. 
   Если данные противоречат гипотезе — отбрось её и объясни почему.

5. Оставь только гипотезу, прошедшую все проверки. Если ни одна не прошла — 
   вернись к шагу 1 и пересмотри таблицу улик.

Подставляй: {данные} — что у тебя есть на руках (цифры, симптомы, лог событий), {вопрос/задача} — что нужно выяснить, {категории_причин} — возможные направления поиска, {N} — сколько версий рассмотреть, {критерии_проверки} — твои жёсткие правила (что должно совпадать без противоречий).

🚀 Быстрый старт — вставь в чат:

Вот шаблон метода «Улики → Классификация → Гипотезы → Проверка». 
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.

[вставить шаблон выше]

LLM спросит, какие у тебя данные, какие категории причин рассматривать и по каким критериям проверять гипотезы — потому что без этого чек-лист проверки не построить. Она возьмёт структуру шаблона и заполнит её под твою ситуацию.

⚠️ Медленнее прямого ответа: метод требует нескольких проходов и явной проверки — на сложных задачах это может занять в разы больше времени и сообщений, чем просто спросить напрямую.

⚠️ Ломается на неоднозначных критериях: если проверочные правила нельзя сформулировать жёстко (субъективные оценки, "на глаз"), модель может застрять в цикле пересмотра гипотез без сходимости к финалу.

⚠️ Чем сложнее данные, тем хуже результат: точность метода заметно падает при увеличении числа переменных и "шума" в данных — метод не решает проблему сложности, только упорядочивает подход к ней.

⚠️ Качество чек-листа определяет всё: без явных, конкретных проверочных критериев метод превращается в обычное "рассуждай пошагово" и теряет своё преимущество.

NMR Elucidation as an Agentic Search Problem, Not a Modeling Problem — Irina Espejo Morales, Damon Hinz, Marvin Alberts, Geraud Krawezik, Haewon Jeong, Shirley Ho. PolymathicAI, New York University, Flatiron Institute. Принято на ICML 2026 AI for Science Workshop.