Как получать правду от DeepSeek: рабочие промты против галлюцинаций

Промт-инжиниринг / DeepSeek

Как получать правду от DeepSeek: рабочие промты против галлюцинаций

LLM не умеют «вруть» — они предсказывают токены. Галлюцинации — это фича, а не баг. Материал разбирает, почему модели выдумывают факты, и даёт конкретные шаблоны промтов, которые заставляют DeepSeek проверять себя, ссылаться на источники и признавать незнание.

Почему DeepSeek галлюцинирует: механика, а не злой умысел

Large Language Models — это вероятностные движки. Они не «знают» факты, а моделируют распределение слов в обучающей выборке. Когда модель не видит чёткого паттерна в данных, она продолжает самый правдоподобный текст. Это называется конфабуляцией — заполнением пробелов правдоподобными деталями.

Три главные причины ложных ответов:

  • Обучение на смеси достоверных и недостоверных текстов — модель не имеет внутреннего фильтра «истина/ложь».
  • Отсутствие доступа к внешнему миру в момент инференса — веса заморожены, знания устаревают.
  • Оптимизация на правдоподобие (RLHF) поощряет уверенный тон, а не честность «я не знаю».

выборкаВероятностное
предсказание токеновОтвет (может быть
галлюцинацией)Нет проверки
фактурности!Флаг риска
Условная схема: как отсутствие внешней верификации приводит к конфабуляциям

Пять приёмов, которые заставляют модель проверять себя

Приём 1

Явное требование источников

Просите цитаты, DOI, URLs, номера страниц. Модель не «ищет» в интернете, но может воспроизвести известные ей библиографические записи из обучающей выборки.

Приём 2

Chain-of-Thought с само-проверкой

Заставьте модель рассуждать шагами и в конце каждого шага задавать себе: «Есть ли у меня доказательства?» или «Могу ли я ошибиться?». Это активирует более внимательный режим генерации.

Приём 3

Ролевая инструкция «Скептик»

Назначьте модели роль: «Ты — строгий фактчекер. Твоя задача — найти ошибки в собственном ответе. Если данных недостаточно — напиши «Недостаточно достоверных данных»».

Приём 4

Температура 0 + Top-P низкое

temperature=0 делает выбор детерминированным (в пределах float-точности). top_p=0.1–0.3 отсекает «хвост» маловероятных токенов. Не гарантирует правду, но снижает вариативность выдумок.

Приём 5

Структурированный вывод с полем «confidence»

Просите JSON-схему: answer, sources[], confidence (0–1), assumptions[]. Низкий confidence — сигнал для человека проверить вручную. Модель учится калибровать уверенность.

Плохой промт vs Хороший промт: разбор на примере

Плохой промт
«Расскажи про историю компании Tesla и приведи ключевые финансовые показатели за 2023 год с точными цифрами.»
  • Нет требования источников — модель выдумает цифры.
  • Нет инструкции «не знаешь — скажи» — модель придумает.
  • Одиночный запрос — нет цепочки рассуждений.
  • Высокая температура по умолчанию — больше креатива, меньше точности.
Хороший промт
«Ты — финансовый аналитик-факчекер. Задача: дать сводку по Tesla за 2023 год. Правила: 1. Используй ТОЛЬКО данные из 10-K отчёта SEC (формы 10-K за 2023 г.). 2. Каждую цифру сопроводи ссылкой на раздел отчёта (Item 6, Item 7 и т.д.). 3. Если данных нет в 10-K — пиши: «В 10-K за 2023 г. данные отсутствуют». 4. Выведи JSON: {metric, value, source_section, confidence}. 5. temperature=0, top_p=0.1. Начни с пошагового плана проверки, потом выдавай JSON.»
  • Жёсткое ограничение источника (10-K SEC).
  • Явный протокол для «не знаю».
  • Структурированный вывод с confidence.
  • Chain-of-Thought перед ответом.
  • Параметры детерминизма.

Шаблон «Анти-галлюцинация» — копируй и адаптируй

Универсальная схема для задач, где важна фактурность: наука, финансы, право, медицина, технические спецификации. Замените блоки в [скобках] на свою тему.

# SYSTEM Ты — [РОЛЬ: эксперт-факчекер в области [ДОМЕН]]. Твоя цель — максимальная фактурная точность. Галлюцинации недопустимы. # RULES 1. Источники: используй ТОЛЬКО [КОНКРЕТНЫЙ ИСТОЧНИК: документ, стандарт, реестр, DOI-база]. 2. Цитирование: каждый факт = ссылка на раздел/страницу/пункт источника. 3. Незнание: если данных в источнике нет — пиши явно: «В [источник] сведений нет». 4. Вывод: строгий JSON по схеме: { «claim»: «…», «value»: «…», «source_ref»: «…», «confidence»: 0.0-1.0, «assumptions»: [«…»] } 5. Процесс: сначала пошаговый план верификации, потом JSON. # PARAMS temperature=0, top_p=0.1, max_tokens=4000 # USER TASK [ВАШ ВОПРОС / ЗАДАЧА]

Что промты не решат — честно о ограничениях

Знания после даты обрезки

Модель не знает событий, случившихся после завершения обучения. Промт не вернёт ей доступ к новостям вчерашнего дня.

Скрытые ошибки в обучающих данных

Если в выборке было много повторяющихся мифов (например, «человек использует 10% мозга»), модель выучит их как факты. Промт не отменяет статистику корпуса.

Отсутствие доступа к приватным/закрытым данным

Внутренние документы компании, закрытые базы, неопубликованные исследования — модели не видят. RAG (Retrieval-Augmented Generation) решает это, а не промт.

Логические противоречия внутри ответа

Модель может дать самосогласованный, но ложный набор утверждений. Промт с самопроверкой снижает риск, но не устраняет — нужна внешняя верификация.

Чек-лист перед отправкой запроса к DeepSeek

Промт — это не заклинание, а протокол взаимодействия с вероятностной машиной. Он повышает шанс правды, но не делает LLM базой знаний.

Используйте шаблон выше как отправную точку. Добавляйте контекст своей задачи. Проверяйте критичные факты самостоятельно. И помните: самая честная фраза модели — «В моих обучающих данных об этом нет достоверной информации».

НейросетиПромтыРазное
21 октября, 2026

Статьи по теме