Магия чепухи: как «бессмысленные» инструкции заставляют нейросети работать лучше
Привет, Хабр! Меня зовут Михаил Сальников, я независимый исследователь в области искусственного интеллекта, автор бенчмарка AI Independence Bench и эксперимента с автономным ИИ под именем Aria. Регулярно изучая свежие препринты на arxiv.org, я порой натыкаюсь на результаты, заставляющие долго размышлять. Сегодня — как раз такой случай: мы разберем работу, изящно разрушающую один из главных мифов промпт-инжиниринга.
Как промт превратил языковую модель в проводника смыслов и источник инсайтов для бизнеса: AI-конструктор офферов
История эволюции бизнес-инструмента: от разработки сайтов и создания офферов до AI-агента-проводника, который помогает предпринимателю прояснить свой бизнес через диалог.AI - проводникВступлениеСтатья состоит из двух частей.
PLC Smart Splitter: как ИИ помогает инженеру АСУ ТП не утонуть в технических заданиях
Теги: АСУ ТП, ПЛК, SCADA, искусственный интеллект, автоматизация, DeepSeek, инструменты разработчика, Python
Как превратить стохастический ИИ в детерминированную машину
Статья является кратким изложением книги, распространяемой автором бесплатно.Скачать без регистрации, подписок и прочей маркетинщины можно на https://aistratum.ru/Индустрия искусственного интеллекта застряла в так называемой «стохастической петле». Мы тратим тысячи часов, пытаясь «уговорить» языковые модели выдать верный результат. Мы пишем огромные «промпты-простыни», применяем шаманские лайфхаки из интернета, но раз за разом сталкиваемся с галлюцинациями, потерей логики, сикофансией и деградацией внимания нейросети.
TOON против TRON против JSON, YAML и CSV для LLM-приложений
ВведениеРазные форматы данных существуют потому, что решают разные задачи. JSON строгий и ориентирован на машины. YAML удобен для чтения. CSV минималистичен. TOON чрезвычайно компактен и специально спроектирован, чтобы снижать токенную нагрузку на LLM. TRON расширяет JSON определениями классов для обратно совместимого сжатия.Зачем существуют эти форматыTOON (Token-Oriented Object Notation) дает более компактный и токенно-эффективный способ передавать структурированные данные в большие языковые модели (LLM). Убирая лишние фигурные скобки, кавычки, квадратные скобки и запятые, TOON:
Контекст: сбрасывать нельзя компактизировать
Когда я только начинал пользоваться локальными агентами, я писал им как очень вежливому коллеге: «Please carefully analyze the project, find the best possible solution». Сейчас я всё чаще пишу инструкции телеграфом:Fix empty password validation in AuthScreen Done == AuthScreen tests pass Don't change public API Don't know? -> Read relevant files / google it Stuck? -> ask meГрамматика страдает, агент – нет. Ему не нужны артикли, предлоги и красивые обороты, если смысл однозначен. Это один из примеров контекстной гигиены в ежедневной работе. Меня зовут Андрей Жаров, я iOS-разработчик из компании Doubletapp
Чем умнее модель, тем меньше ей нужно: четыре дисциплины production‑агента
Если твой агент обвешан пошаговыми инструкциями и десятком узких инструментов под каждый шаг — он, скорее всего, работает хуже, чем мог бы. Звучит контр‑интуитивно, но это прямой вывод из инженерных постов Anthropic за последний год: чем умнее становится модель, тем сильнее прежняя обвязка её сдерживает.
794 системных промпта для AI-ассистентов: как мы собрали лучшие промпты в один месте
🔍 Зачем еще один репозиторий с промптамиРепозиториев с системными промптами много. Большинство из них представляет собой свалку из десятков разноформатных файлов, которые скопировали из случайных твитов, не проверили на практике и забыли обновить. 🤷♂️proagents устроен иначе. ⚡Здесь собраны шесть исходных репозиториев с активным сообществом и реальной историей использования. Из них полностью вычищены дубликаты, создана единая структура и добавлен CLI для быстрого управления. Каждый файл оформлен в едином стиле: содержит название, роль и четкие правила поведения. 🧑💻Результат: 794 файла
Почему код, который генерирует ваш AI-ассистент, выглядит одинаково плохо, и как это исправить за 30 секунд
🔍 Проблема не в моделиGPT-codex, Claude 4.8, Gemini 3.5 flash: все они умеют писать хороший код. Но по умолчанию ни один из них не знает ваших стандартов. 🤷♂️Что получает модель без системного промпта:Никаких ограничений на архитектуру 🏗️Никаких предпочтений по тестированию 🧪Никаких правил по визуальному качеству 🎨Никаких требований к безопасности 🔒Результат предсказуем. Компонент работает. Стили: дефолтный Tailwind. Тесты не написаны. any везде, где TypeScript сопротивлялся. Магические числа без объяснений. 😅
