Made on
Tilda
| Метод | Описание | Пример стратегического промпта |
|---|---|---|
| Self-Refine (Само-уточнение) | Модель сама генерирует ответ, критикует его и дорабатывает в несколько циклов без внешней разметки. | «Сформулируй стратегию вывода нового SaaS-продукта на рынок, затем трижды само-уточни план, улучшая бюджетирование и риски. Покажи этапы само-критики.» |
| Multi-Aspect Feedback (Многоаспектная обратная связь) | Несколько «замороженных» моделей и внешние инструменты оценивают ответ по разным категориям ошибок, после чего основной ИИ дорабатывает результат. | «Создай долгосрочную продуктовую дорожную карту, затем попроси нескольких критиков оценить реалистичность, инновационность и риски и доработай итог.» |
| N-CRITICS (N-критиков) | Ансамбль критиков оценивает черновик, объединяет замечания и направляет доработку, пока не выполнено условие остановки. | «Разработай три возможных сценария роста выручки. Привлеки не менее пяти критиков, пока не получишь план с оценённой вероятностью успеха >70 %.» |
| ISR-LLM (Итеративная спецификация и планирование) | Переводит запрос в формальные спецификации, строит план, валидирует его и правит, пока не соответствует требованиям. | «Сформулируй OKR для отдела R&D на год. Преобразуй в формальные метрики, проверь валидатором и исправь несовпадения.» |
| SELF (Само-эволюция) | Учит метанавыкам (само-критика, само-уточнение), затем генерирует и фильтрует собственные данные для постоянного улучшения. | «Предложи стратегию перехода компании на ИИ-процессы и само-эволюционируй план, пока не минимизируешь затраты на 20 %.» |
| ProMiSe (Принцип-ориентированное уточнение) | Малые модели улучшают ответы, следуя чётким принципам, метрикам-порогам и отбраковке некачественных версий. | «Дай стратегию выхода на азиатский рынок, применяя принцип “скорость>перфекционизм”. Используй ProMiSe для трёх итераций.» |
| A2R (Оценка-критика-переработка) | Модель явно оценивает ответ по нескольким метрикам (корректность, новизна…), формирует фидбек и перерабатывает. | «Проанализируй стратегию конкурента, оцени её по четырём критериям, переработай предложение компании-X с учётом оценки.» |
| Experience Refinement (Уточнение на опыте) | Агент собирает последовательный или накопительный опыт выполнения задач и приоритетно учится на успешных эпизодах. | «Сгенерируй серию A/B-кампаний, анализируя результаты каждого запуска и улучшая последующие гипотезы.» |
| I-SHEEP (Непрерывное само-выравнивание) | Модель сама генерирует, оценивает и отбирает синтетические данные, чтобы постепенно само-выравниваться без внешней помощи. | «Составь стратегию ESG для компании и непрерывно выравнивай рекомендации с текущими регуляциями, генерируя свои примеры.» |
| CaP (Критика цепочки рассуждений) | Использует внешние инструменты для проверки и исправления chain-of-thought, предотвращая зацикливание в неверной логике. | «Построй цепочку аргументов для слияния компаний A и B, проверь логику внешним инструментом и исправь ошибки.» |
| Agent-R (Рефлексия агента) | Агент рефлексирует «на лету», применяя MCTS для генерации обучающих данных и исправления ошибочных веток. | «Смоделируй переговоры о партнёрстве, используйте MCTS для выбора лучшей линии аргументов и исправления слабых ходов.» |
| GenDiE (Порождение + дискриминация) | Комбинирует генеративное и дискриминативное обучение для более достоверных, факт-выверенных ответов. | «Разработай стратегию ценового позиционирования, проверяя контекст на достоверность методом GenDiE.» |
| Self-Developing (Само-разработка) | Модель сама придумывает и пишет код улучшений, тестирует его и применяет DPO для рекурсивного апгрейда. | «Создай алгоритм внутреннего KPI-мониторинга, сгенерируй код улучшений и дорабатывай, пока точность прогноза >95 %.» |
| SR-NLE (Уточнение объяснений) | Повышает достоверность пост-хок объяснений через итеративную критику и доработку. | «Объясни стратегию диверсификации портфеля, затем уточни объяснение, пока не уберёшь логические несостыковки.» |