📕 Повышаем вероятность попадания в ответы LLM

📕 Повышаем вероятность попадания в ответы LLM

Итак, как мы знаем, для каждого запроса LLM строит пучок подзапросов и, выбирая из контента ответы на них, пытается вычислить наиболее безопасный (а не лучший в прямом смысле слова) результат.

Предположим, что LLM будет нарезать чанки по структурным единицам (грубо говоря подразделам h2/h3 - что там у вас есть), а не использует способы нарезки чанков отлавливанием смены тематики в контенте или по фиксированной длине чанка.

Я уже описывал в 1 сезоне промптоведения "Принцип Семантической Триангуляции", когда мы 3-4 Ключевых раздела (H2/H3), посвященные важным сущностям или технологиям, строим по принципу "триангуляции", чтобы превентивно ответить на веер под-запросов.

В рамках каждого такого раздела мы покрываем три важных типа интента:

a. Определение и принцип работы (Что это? / Как работает?)

b. Сравнительный анализ (Чем отличается от аналогов?)

с. Практическое применение (Какую проблему решает для пользователя?)

Универсальный промпт выглядит следующим образом:

2.5. Применение принципа семантической триангуляции.

Для подмножества ключевых узлов, описывающих фундаментальные концепции или технологии, применяется обязательный структурный паттерн "Семантическая триангуляция". Содержание данных узлов должно быть последовательно структурировано для разрешения трёх ортогональных информационных векторов:

a) Дефиниционно-функциональный аспект: Формальное определение сущности и алгоритмическое описание принципа ее функционирования.

b) Дифференциально-сравнительный аспект: Компаративный анализ сущности с альтернативными или предшествующими аналогами с целью выявления ключевых отличий.

c) Прагматико-утилитарный аспект: Описание практической ценности, прикладного значения и конечной выгоды от использования сущности для конечного субъекта-пользователя.

Используем этот кусок при генерации некоторых структурных подразделов вашего контента. Каких - выбирайте сами. Добавляйте его в ваш Мастер-промпт.

Он должен помочь повысить видимость в LLM. Ну и для ранжирования в Гугле тоже неплохо выходит.

Во вложении - пример генерации ЧатГПТ описания Форда F150 с применением этого принципа (сам промпт + ответ)

Источник новости https://t.me/drmaxseo/1114...