Протестируйте свой промпт с одним из этих ИИ-ассистентов, чтобы увидеть реальные результаты:

Сохраняйте ваши промпты и полученные результаты, чтобы сравнивать и улучшать их.

Совет:

Проверьте с помощью LLM

# Отчет о проекте: Цифровизация HR

## 1. Контекст
В нашей компании 500 сотрудников на 3 площадках. В настоящее время управление HR полностью ручное с разрозненными файлами Excel.

## 2. Выявленные проблемы
- Время обработки документов: в среднем 15 дней
- Частота ошибок при вводе данных: 12%
- Сложности с отслеживанием кандидатов
- Отсутствие видимости показателей

## 3. Предлагаемое решение
Внедрить ATS (систему отслеживания кандидатов) в сочетании с инструментом управления эффективностью.

## 4. Бюджет и сроки
Предполагаемый бюджет: 50 000€
Срок внедрения: 6 месяцев
Ожидаемая рентабельность: 30% прирост производительности

Документ

Создайте цепочку промптов для анализа этого отчета (3 страницы)

🔗 АРХИТЕКТОР ЦЕПОЧЕК

**Резюме отчета:**
- Контекст: Компания из 500 сотрудников, в настоящее время ручное управление HR
- Проблемы: Медленная обработка (15д), ошибки (12%), нет отслеживания
- Решение: Внедрение ATS с управлением эффективностью
- Бюджет: 50 000€ за 6 месяцев
- Ожидаемая рентабельность: 30% производительности

ШАГ

⚠️ Шаг {index}: Недостаточно контекста. Ссылайтесь на результаты предыдущего шага.

Предложения:

ДЕКОМПОЗИЦИЯ ЗАДАЧИ УСПЕШНА. ПРОВЕРЯЕМЫЕ ВЫХОДНЫЕ ДАННЫЕ СГЕНЕРИРОВАНЫ.

ПОСЛЕДОВАТЕЛЬНОСТЬ_ЗАВЕРШЕНА

CHAIN_ARCHITECT_V1.0

ЗАПУСК СИМУЛЯЦИИ ПОСЛЕДОВАТЕЛЬНОСТИ ЦЕПОЧКИ. ЦЕЛЬ: РАЗБИТЬ СЛОЖНУЮ ЗАДАЧУ НА ПРОВЕРЯЕМЫЕ ШАГИ.

ИЗВЛЕЧЬ КЛЮЧЕВЫЕ ТОЧКИ ИЗ ИСХОДНОГО ДОКУМЕНТА

ОБОБЩИТЬ_ДАННЫЕ

ВЫВЕСТИ РЕКОМЕНДАЦИИ ИЗ РЕЗЮМЕ

СГЕНЕРИРОВАТЬ_ДЕЙСТВИЯ

>> ИНИЦИАЛИЗАЦИЯ_ПРОТОКОЛА_ПОСЛЕДОВАТЕЛЬНОСТИ

Ограничения

Переключайте переключатели, чтобы увидеть, как ограничения радикально меняют ответ модели на одну и ту же тему (Эйфелева башня).

Лаборатория Ограничений

Встреча с г-ном Дюпоном состоится 12 марта в Лионе для обсуждения проекта Альфа.

Софи поедет в Берлин 5 апреля.

Марк посетил Рим в 2020 году.

Посмотрите, как добавление примеров (shots) значительно улучшает точность и формат ответов без изменения основной инструкции.

Извлеките сущности (имя, дата, место) из следующего текста.

Конструктор Few-Shot

Напиши письмо клиенту, чтобы исправить ошибку в счете.

Корректирующее письмо

Отслеживайте свой прогресс в Модуле 1

Ваше Дерево Навыков

ЭКСПЕРТ BUG HUNTER

УПРАЖНЕНИЕ ЗАВЕРШЕНО

Отсутствующее двоеточие

Отсутствующие кавычки

Паразитный текст

Конечная запятая

ИСПРАВЬТЕ БАГИ

НАЙДИТЕ ПРАВИЛЬНЫЙ JSON

ИЗУЧИТЕ ОШИБКИ JSON

Освойте 4 самых распространённых ошибки JSON

BUG HUNTER

Экстрактор создан!

Изолировать CV для анализа

CV для анализа:
<<<
[Содержимое CV здесь]
>>>

Разделители

Ты HR-ассистент-эксперт по анализу CV.

Роль

Ожидаемая структура с типами

Ожидаемый формат:
{
  "имя": "(текст)",
  "email": "(текст)",
  "телефон": "(текст или null)",
  "навыки": ["(список)"],
  "опыт": [{ "должность": "", "компания": "", "даты": "" }]
}

JSON-схема

Принудить формат только JSON

Извлеки информацию и предоставь ТОЛЬКО валидный JSON. НИКАКОГО текста до или после.

Строгая инструкция

Самопроверка перед ответом

Включи ВСЕ поля, даже если пустые (null или []). Проверь синтаксис JSON перед ответом.

Проверка

Соберите свой экстрактор CV по частям

JSON успешно извлечён!

Практический тест

CV FORGE

JSON

Структурированный список

Структурированный отчёт

Таблица

Найдите идеальный формат для вашего случая использования

FORMAT SELECTOR

Персонализированный калькулятор ROI

Финансы

Управление персоналом

Поддержка клиентов

Визуализируйте трансформацию вашей продуктивности

IMPACT TIMELINE

Ситуация Алекса

Отлично!

Преобразование данных в JSON

Упражнение завершено!

Проверочный тест

Превратите хаос в структуру

OUTPUT TRANSFORM LAB

Настройте каждый канал для создания идеального промпта

PROMPT MIXER

Самосогласованность: Демократическое голосование нескольких путей рассуждения

CONSENSUS_ENGINE

CoT vs ReAct: Ключевое различие

Сначала мне нужно узнать текущую погоду в Париже. Использую инструмент погоды.

{ 'city': 'Paris', 'temp': 14, 'condition': 'Лёгкий дождь', 'precipitation': 80% }

Идёт небольшой дождь с 80% осадков. Следует рекомендовать зонт.

format_response(weather_data, recommendation)

В Париже 14°C с лёгким дождём. Да, возьмите зонт! ☔

В отличие от CoT, который только "думает", ReAct позволяет модели <strong>действовать</strong>:

Модуль 4: Агенты и Оркестрация

Рассуждение + Действие: ИИ, который может действовать

ReAct_PREVIEW

Сделать шаг назад перед решением: вид со спутника → детальный вид

STEP_BACK_SIMULATOR

OpenAI официально рекомендует пошаговую декомпозицию. Эти техники теперь стандартны в современных ИИ-агентах (ChatGPT, Claude, Gemini).

Сравнение Техник

Формализация CoT: демонстрация рассуждений улучшает LLM на сложных задачах.

Wei et al. - Chain-of-Thought Prompting

Открытие: 'Let's think step by step' активирует CoT без примеров.

Kojima et al. - Zero-Shot Reasoners

Голосование большинства по нескольким путям рассуждения даёт +10-15%.

Wang et al. - Self-Consistency

Сделать шаг назад (выявить принципы) перед решением позволяет избежать ошибок.

Zheng et al. - Step-Back Prompting

Chain-of-Thought

Self-Consistency

Step-Back

Хронология исследований

Определить формулу: Расстояние = Скорость × Время

Преобразовать время: 2ч30мин = 2,5 часа

Определить нечётные числа: 9, 15, 1

Вычислить сумму: 9 + 15 + 1 = 25

Проверить чётность: 25 нечётное

Сканер мозга: Импульсивный режим vs Рефлексивный режим (CoT)

THINKING_LAB

Оценка

Принцип

Обрезка (Pruning)

Дерево мыслей: Исследуйте несколько ветвей рассуждения параллельно

THOUGHT_TREE_EXPLORER

Левый берег: 🐺 Волк, 🐐 Коза, 🥬 Капуста

Компания получает 100 резюме в день. Без автоматизации HR тратит 5 минут на резюме. С LLM-пайплайном это занимает 10 секунд.

Второй промпт берет JSON и анализирует соответствие позиции (Senior Dev). Он проверяет ключевые навыки.

Шаг 2: Анализ

Последний промпт решает, приглашать ли кандидата, и составляет email-ответ (приглашение или отказ).

Шаг 3: Решение

Первый промпт извлекает сырые данные из резюме и преобразует их в структурированный формат JSON. Это упрощает обработку на следующих шагах.

Шаг 1: Извлечение

Пайплайн — это цепочка промптов, где **выход одного шага становится входом следующего**. Это как производственная линия: каждая станция выполняет ОДНУ специализированную задачу.

Что такое пайплайн?

Обработка заявок HR

🚦 Умная маршрутизация: Направьте запросы по правильному пути

ROUTING_SWITCH

Зарплата, отпуск, бонусы

Расчет

Конфликты, рост, благополучие

Совет

Часы работы, процедуры, политики

Фактический вопрос

Срочные проблемы, ошибки

Жалоба

🔄 Параллельная обработка + Глобальный синтез

MAP_REDUCE_ENGINE

Алексу нужно проанализировать 500 отзывов клиентов, чтобы создать сводный отчет. LLM не может обработать всё сразу. Что делать?

ПРОБЛЕМА

РЕШЕНИЕ: Map-Reduce

Каждый отзыв был обработан независимо с одинаковым промптом. Мы можем распараллелить эти вызовы, чтобы ускориться в 5 раз! Теперь нужно синтезировать эти 5 анализов.

INSIGHT:

ФАЗА MAP: Индивидуальный анализ

Объединить {count} анализов в отчет

ФАЗА REDUCE: Глобальный синтез

Качественный продукт, быстрая доставка. Единственный минус: упаковка была немного повреждена.

Разочарован службой поддержки. Невозможно связаться с кем-либо 3 дня из-за проблемы с заказом.

Отлично! Именно то, что я искала. Очень рекомендую. Очень конкурентная цена.

Нормально, но не более. Продукт соответствует описанию, но качество могло бы быть лучше.

Очень разочарована. Продукт пришел сломанным и никакого ответа от поддержки. Совсем не рекомендую.

200 отзывов × 0.1с/отзыв + 5с синтез = 25 секунд

200 отзывов × 3 мин/отзыв = 10 часов ручной работы

10 часов → 25 секунд (×1440 быстрее)

РАССЧИТАННЫЙ ROI

Синтез

Резюме паттерна Map-Reduce

Всегда начинайте с самого простого паттерна, который отвечает вашим потребностям. Добавляйте сложность только если это действительно необходимо!

ЗОЛОТОЕ ПРАВИЛО:

Общий обзор

Сравнение паттернов

🔍 Найдите шаблон, подходящий для вашего случая

COMPLEXITY_ADVISOR

Дерево решений

Алекс колеблется между несколькими архитектурами для своего проекта. Простой промпт? Pipeline? Map-Reduce? Агенты? Как выбрать?

Параллельная обработка N элементов одним промптом.

Пакетная обработка

MAP каждый элемент, затем REDUCE в глобальный синтез.

Map-Reduce

Буфер на несколько секунд, затем групповая обработка.

Micro-Batch

Граф зависимостей с условным выполнением.

Оркестрация DAG

Цепочка шагов, где каждый промпт обогащает контекст следующего.

Последовательный Pipeline

Очередь с воркерами, потребляющими задачи.

Queue Workers

Начальная классификация, затем перенаправление на подходящую обработку.

Интеллектуальная маршрутизация

Одного API-вызова с хорошо структурированным промптом достаточно.

Прямой промпт

Обработка токен за токеном с прогрессивным ответом.

Streaming Events

✓ ПРЕИМУЩЕСТВА

✗ НЕДОСТАТКИ

🗺️ Ваш прогресс и следующие шаги

JOURNEY_MAP

Паттерн Map-Reduce

Выбор паттерна

Модуль 5 (Агенты) — логическое продолжение. Теперь вы владеете паттернами, которые позволяют создавать сложных агентов!

Модуль 1 — Понять генеративный ИИ и анатомию промпта

Target_Objectives.jsonREAD_ONLY

Directory_Structure

Capabilities_Matrix