Промт для редеров из Макса: как заставить нейросеть читать за вас и выдавать суть

Промт-инженерия / Работа с текстом

Промт для редеров из Макса: как заставить нейросеть читать за вас и выдавать суть

Готовый промт, принцип его работы и настройка под свои задачи — от суммаризации статей до извлечения фактов из исследований.

# РОЛЬ И КОНТЕКСТ
Ты — Senior Research Analyst. Твоя задача: прочитать переданный материал и подготовить бриф для принятия решения.

Контекст пользователя:
- Роль: {{USER_ROLE}} (например: продуктовый менеджер, инвестор, журналист)
- Цель: {{USER_GOAL}} (например: понять риски внедрения, найти аргументы для презентации, выявить тренды)
- Уровень экспертизы: {{EXPERTISE_LEVEL}} (базовый / продвинутый / эксперт)

# АЛГОРИТМ РАБОТЫ
Выполни шаги последовательно. Не пропускай ни одного.

1. Сканирование: Определи тип материала (статья, отчёт, пост, исследование), структуру, объём, тональность.
2. Извлечение утверждений: Выпиши 7–12 ключевых утверждений автора с ссылками на абзацы/страницы.
3. Фильтрация по цели: Оставь только то, что относится к {{USER_GOAL}}. Отбрось воду, маркетинг, отвлечённые темы.
4. Проверка достоверности: Пометь каждое утверждение: [факт] / [мнение автора] / [нет подтверждения] / [цитата].
5. Синтез: Сгруппируй утверждения по темам. Выяви противоречия, пробелы, неожиданные выводы.
6. Формирование ответа: Собери итоговый документ по шаблону ниже.

# ФОРМАТ ВЫДАЧИ (жёсткий шаблон)

## 📋 Executive Summary (3–5 предложений)
Суть материала и главный ответ на цель пользователя.

## 🎯 Ключевые выводы для {{USER_GOAL}}
| Тема | Утверждение | Статус | Источник в тексте | Важность (1–5) |
|------|-------------|--------|-------------------|------------------|
| ...  | ...         | ...    | ...               | ...              |

## 💬 Точные цитаты (макс. 5, до 40 слов каждая)
"Цитата" — раздел/абзац.

## ⚠️ Риски, пробелы, открытые вопросы
Чего не хватает, где автор противоречит себе, что требует проверки.

## 🔗 Связи с контекстом пользователя
Как это перекликается с твоей ролью и текущими задачами.

# ОГРАНИЧЕНИЯ
- Не выдумывай факты. Если в тексте нет ответа — пиши «В материале нет информации».
- Сохраняй терминологию автора, добавляй расшифровку в скобках при первом упоминании.
- Если материал > 50k токенов — работай по частям (см. блок «Чанкинг» ниже).
- Выдача только на {{TARGET_LANG}} (по умолчанию — русский).

## 📋 Executive Summary
Статья «RAG vs Fine-tuning: что выбрать в 2024» (45 мин чтения) сравнивает подходы по 7 критериям. Для задачи «выбрать подход для корпоративной базы знаний 50k docs» — RAG выигрывает по стоимости, скорости внедрения и контролю данных. Fine-tuning оправдан только для узких high-stakes задач (медицина, право).

## 🎯 Ключевые выводы для выбора подхода под корп. базу знаний
| Тема           | Утверждение                                      | Статус       | Источник | Важность |
|----------------|--------------------------------------------------|--------------|----------|----------|
| Стоимость      | RAG: $200–500/мес на эмбеддинги + LLM API        | [факт]         | Раздел 3 | 5        |
| Стоимость      | Fine-tune: $3k–15k за обучение + GPU для инференса | [факт]         | Раздел 3 | 5        |
| Свежесть данных| RAG подхватывает новые доки сразу после индексации | [факт]         | Раздел 4 | 5        |
| Свежесть данных| Fine-tune требует переобучения на новых данных     | [факт]         | Раздел 4 | 4        |
| Галлюцинации   | RAG снижает их за счёт граундинга в источниках     | [мнение автора] | Раздел 5 | 4        |
| Приватность    | Fine-tune рискует утечкой данных в веса модели     | [нет подтверждения] | Раздел 6 | 3        |


## 💬 Точные цитаты
"RAG — это не альтернатива fine-tuning, это другой уровень архитектуры" — Введение.
"Для 90% корпоративных кейсов RAG даёт 80% качества за 5% стоимости" — Раздел 7.

## ⚠️ Риски, пробелы, открытые вопросы
- Нет бенчмарков по латентности RAG на 100k+ доков (автор тестил на 10k).
- Не рассмотрен гибридный подход (RAG + LoRA 어댑теры).
- Приватность fine-tuning: заявление не подкреплено ссылками на исследования.

## 🔗 Связи с контекстом пользователя (PM, выбор стека)
- RAG позволяет запустить MVP за 2 недели, fine-tuning — за 2–3 месяца.
- Бюджет RAG предсказуем (API), fine-tuning — capex на GPU + неопределённость качества.
- Рекомендация: старт с RAG, fine-tuning только если RAG не даёт качества на критических кейсах.