"Как заставить думать обоих – машину и себя самого. В любой системе где есть хоть какой-то интеллект можно обнаружить так называемое __концептуальное пространство. __ Что это вообще такое и почему важно? Совсем просто, на пальцах – прочитав сейчас вот это слово – __""кресло""__, вы совершенно точно, однозначно представили себе какую-то штуку (скорее всего мягкую и удобную) на которую можно поместить свое тельце в сидячем положении. А теперь – __""красота"", ""любовь""__, или вот, еще лучше – __""справедливость""__. Про эти штуки можно с большой уверенностью сказать – сколько людей, столько и мнений. Эти идеи сильно зависят от культурных особенностей, убеждений и прочих ментальных напылений. А важно, потому что зная про плотность смыслов можно: - лучше проектировать AI системы - научиться обращать свое внимание на любые ""размытости"" Находя таки размытости мы получаем шанс избавиться от них. * Небольшое оступление: Сильные и выразительные системы типов в языках программирования автоматически заставляют разработчика нагонять плотность в концептуальное пространство программы ""наперед"", во время смой разработки. Но это история про Software 1.0, весь интеллект там был белковый, распределенный по головам людей. Сейчас же, когда мы внедряем LLM в свои системы, по существую у нас есть одно единственное желание – __пусть эта новая и умная система работает точно, отвечает на вопросы как надо и не путается! Ну... пожалуйста.__ Мы берем большую модель, и как сову на глобус пытаемся натягивать ее на наш небольшой кусок мира, некоторую прикладную область. Нет ни одной гарантии что в двух организациях, из вроде бы одной и той же прикладной области, сотрудники будут говорить на одном и том же ""прикладном языке"" Как же мы тогда можем ожидать от LLM что они нас ""поймут"" и будут давать предсказуемый и нужный результат? Короче говоря, нам нужен способ заставить __""думать как надо""__ этот новый искуственный интеллект. Нам нужен __способ повысить плотность концептуального пространства. __ Почему не работает подход ""просто засунь все в контекст"" я уже писал например здесь, где в заключении призывал __думать прежде чем делать__, приводя в пример короткий список заземляющих вопросов. Но это все очень смешно и размыто. Легко сказать ""думай давай"", делать то что? Если вы внедряете AI я предлагаю, нет, я настаиваю что вам нужно в обязательном порядке ознакомиться со Schema Guided Reasoning и попробовать применить в своих проектах. Ринат Абдуллин формализатор и амбассадор SGR, на русском много полезного прочитать по теме и пообщаться с ним вы можете в его канале. * Другого надежного способа заставить LLM __думать__ так как нам __нужно__ сейчас попросту нет. Возможно когда то у нас будут квантовые супер-компьютеры на которых мы сможем в день тысячи раз обучать, модели с сотнями миллиардов параметров, но это все таки пока еще далекий sci-fi Structured Output сам по себе работает лучше любой другой техники промт инжиниринга просто потому что мы получаем возможность __физически__ загнать результат работы модели в рамки и типы описанные в JSON схеме. При этом, конечно же, не отбирая у нас системный промпт как источник дополнительного контекста. А еще разрабатывая AI системы через SGR призму мы автоматически заставляем самих себя болььше и детальнее думать ""наперед"" про домен задачи, важные сущности нашей системы, важные __знания__, которые могут потребоваться для LLM при решении поставленных задач. Мы именно что __моделируем__ процесс мышления с помощью этой штуки. И это замечательно – превращать нечеткие требования в надежно работающие системы. Если вы искали хороший материал про Context Engineering о котором сейчас пишет каждый первый AI журналист – вы наконец его прочитали."