TL;DR
EGP — техника, которая добавляет в промпт для упрощения текста несколько готовых примеров трансформации похожих документов ("сложный текст → простая версия"), вместо того чтобы просто объяснять модели словами, как упрощать. Модель получает 2-3 образца похожей по смыслу трансформации и повторяет паттерн на новом тексте.
Когда нужно переписать целый документ (не одно предложение), текстовые инструкции работают нестабильно: модель то слишком агрессивно режет текст, то оставляет сложные куски. Причина — инструкция типа "упрощай, сохраняя смысл" не показывает, как именно применять правило сразу ко всем абзацам согласованно, и модель теряет консистентность на длинном тексте.
EGP решает это, показывая модели не правило, а живой образец: вот похожий сложный текст, а вот как он был упрощён. Модель копирует стиль трансформации вместо того, чтобы выводить его из абстрактной инструкции.
Схема метода
ШАГ 1: Взять целевой сложный текст для упрощения
ШАГ 2: Подобрать 2-3 похожих по теме/стилю текста с готовыми упрощёнными версиями
ШАГ 3: Вставить примеры + целевой текст + жёсткие ограничения в один промпт
ШАГ 4: LLM генерирует упрощённую версию, повторяя паттерн из примеров
Всё выполняется в одном запросе. Подбор примеров (шаг 2) — единственная часть, которую нужно сделать заранее, вручную или через поиск.
Пример применения
Задача: Юрист интернет-магазина упрощает пункты договора оферты для раздела «Простыми словами» на сайте — чтобы покупатели без юридического образования понимали условия возврата и гарантий.
Промпт:
Вот примеры, как мы уже упрощали похожие пункты договора:
Пример 1:
Сложно: «В случае обнаружения несоответствия товара заявленным характеристикам
Покупатель вправе в течение 14 (четырнадцати) календарных дней с момента получения
Товара обратиться к Продавцу с требованием о замене либо возврате денежных средств...»
Просто: «Если товар не такой, как обещали, у вас есть 14 дней, чтобы вернуть его
или обменять на другой.»
Пример 2:
Сложно: «Продавец не несёт ответственности за задержку доставки, вызванную
действиями третьих лиц, включая, но не ограничиваясь, транспортные компании...»
Просто: «Если доставка задержалась из-за курьерской службы — это не наша вина,
но мы поможем разобраться.»
Теперь упрости в том же стиле следующий текст:
«Гарантийный срок на Товар устанавливается Производителем и указывается в
Гарантийном талоне. В случае отсутствия Гарантийного талона гарантийный срок
определяется в соответствии с законодательством Российской Федерации о защите
прав потребителей...»
Ограничения:
- Не добавляй и не убирай факты, сроки, цифры
- Предложения — не длиннее 15 слов
- Замени юридические термины на разговорные слова
Результат: Модель выдаст короткий, понятный текст про гарантию — с сохранёнными сроками и условиями, но в разговорном стиле, похожем на образцы. Формат: чистый текст без нумерации, готовый для вставки на сайт.
Почему это работает
Когда LLM получает только словесную инструкцию («упрощай, сохраняя смысл»), она вынуждена сама придумывать, как применить это правило к каждому конкретному предложению — и делает это неровно: где-то слишком сильно упрощает, где-то оставляет сложный кусок.
LLM отлично умеет копировать паттерн, если видит готовый образец — это как показать «переведи вот так», а не объяснять грамматические правила. Пример трансформации снимает двусмысленность: модели не нужно догадываться, что значит «просто» — она видит это на конкретном кейсе.
Рычаги управления: - Количество примеров (в исследовании — 3) → для простых текстов можно взять 1-2, для сложных — 3-4 - Тип ограничений → жёсткие правила («не менять цифры, имена») работают лучше, чем просто «упрости по шагам» — это подтверждено экспериментом - Похожесть примеров → чем ближе примеры по теме и структуре к целевому тексту, тем сильнее эффект
Шаблон промпта
Вот примеры, как похожие тексты были упрощены:
Пример 1:
Сложно: {текст1_сложный}
Просто: {текст1_простой}
Пример 2:
Сложно: {текст2_сложный}
Просто: {текст2_простой}
Теперь упрости в том же стиле следующий текст:
{целевой_текст}
Ограничения:
- Не добавляй, не убирай и не меняй факты, цифры, названия
- Предложения — не длиннее {число} слов
- Замени сложные термины на простые слова
🚀 Быстрый старт — вставь в чат:
Вот шаблон Example-Guided Prompting для упрощения текста.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какие тексты взять как примеры-образцы и сколько нужно предложений в упрощённой версии — потому что качество результата напрямую зависит от того, насколько примеры похожи по теме и сложности на целевой текст.
Ограничения
⚠️ Зависимость от модели: на одной из протестированных моделей (Llama 3.2) метод не просто не помог — результат стал хуже по всем показателям сразу. Перед тем как полагаться на технику, проверь на своей модели: иногда примеры сбивают модель с толку вместо того, чтобы помогать.
⚠️ Трейдофф точность vs читаемость: метод делает текст точнее к смыслу оригинала, но не всегда упрощает его сильнее. Если задача — максимально «разжевать» текст, а не сохранить каждый нюанс, простая инструкция без примеров может сработать лучше.
⚠️ Нужен банк примеров: без заранее подготовленных пар «сложно-просто» из похожей тематики эффект пропадает. Метод не работает «с нуля» — нужен хотя бы небольшой набор образцов.
Как исследовали
Исследователи взяли корпус OneStopEnglish — англоязычные новостные статьи в трёх уровнях сложности, и тестировали упрощение с продвинутого уровня до элементарного. Прогнали через пять моделей: GPT-4o-mini, Claude Haiku 4.5, Gemini 2.0 Flash, Sonar и Llama 3.2.
Сначала сравнили три вида промптов — просто попросить, разбить по шагам, дать жёсткие ограничения — и жёсткие ограничения победили по качеству упрощения. Дальше сравнили этот лучший промпт с тем же промптом плюс 3 похожих примера, найденных через поиск по смысловой близости.
Неожиданный результат: метод с примерами обошёл специально обученные системы упрощения текста (T5 и PlanSimp) по сохранению смысла — хотя эти системы тренировались именно на этой задаче, а EGP просто добавляет примеры в промпт без всякого обучения. Но при этом на Llama 3.2 метод резко провалился — это главный сигнал, что польза от примеров зависит не только от их качества, но и от способности конкретной модели использовать контекст.