--- title: "Основни техники на Prompt Engineering" source: "https://systems-analysis.info/int/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D0%BD%D0%B8_%D1%82%D0%B5%D1%85%D0%BD%D0%B8%D0%BA%D0%B8_%D0%BD%D0%B0_Prompt_Engineering" wiki: "systems-analysis.info/int" article: "Основни_техники_на_Prompt_Engineering" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 8736 wiki_created_at: 2026-09-07T01:21:52Z wiki_modified_at: 2026-09-07T01:21:52Z downloaded_at: 2026-09-07T23:27:05Z --- # Основни техники на Prompt Engineering **Prompt Engineering** включва разнообразни техники и методики, насочени към оптимизиране на взаимодействието с големи езикови модели (LLM) за получаване на желаните резултати. Тези техники се отнасят до структурирането на заявки, предоставянето на контекст, управлението на стила на изхода и подобряването на способността на модела за разсъждение. Тъй като LLM генерират отговор, предсказвайки следващите token-и въз основа на входния prompt, качеството и структурата на този prompt пряко влияят върху резултата. Основните техники на prompt engineering позволяват на разработчиците и потребителите ефективно да управляват поведението на модела, да намаляват грешките и да го адаптират към конкретни задачи, без да е необходимо да се променят вътрешните параметри на модела. ## Базови принципи и структура на промпта Макар конкретните реализации да варират, ефективните prompt-и често се изграждат, като се вземат предвид общи принципи и структура: - **Емпирични насоки:** Като една от практическите структури (но не и отраслов стандарт) се предлага придържането към следните принципи: Дай Посока, Посочи Формат, Предостави Примери, Оцени Качеството и Раздели Задачата. - Ефективният prompt често включва следните компоненти: - **Въведение/Роля:** Задава контекста на задачата или ролята/персоната на модела. - **Инструкции:** Ясни указания какво трябва да се направи. - **Контекст:** Необходима информация (статична или динамично извлечена чрез RAG). - **Примери (Few-shot):** Демонстрация на желания формат/стил. - **Заявка за отговор:** Явно указание какво трябва да генерира моделът. - **Системно съобщение (System Prompt):** В чат-интерфейсите на API (например при моделите на OpenAI, Anthropic) позволява да се зададат глобални инструкции и роля за цялата сесия. - **Форматиране:** Използването на Markdown, JSON, XML или YAML помага за структурирането на prompt-а и улеснява парсирането на отговора. Разделители (\`\`\`, \`\\\\\\\`, XML-тагове) са важни за отделянето на инструкциите от данните. ## Основни техники за инструкции и примери - **Ясни и конкретни инструкции:** Максимално точно описване на задачата, желания резултат и ограниченията. Избягване на двусмислието. - **Ролево моделиране (Role Prompting):** Назначаване на роля на модела („Ти си експерт по...") за управление на тона, стила и базата от знания. - **Zero-shot Prompting:** Заявка без примери. Ефективен за прости или добре познати на модела задачи. - **Few-Shot Prompting:** Предоставяне на няколко (обикновено от 2 до 5) примера „въпрос-отговор" за демонстрация на задачата. Частен случай е **One-shot Prompting** с един пример. Особено полезно за сложни формати или стилове. Изисква внимание, за да се избегне смещение (anchoring) или улавяне на фалшиви паттерни от примерите. ## Техники за управление на контекста - **Retrieval-Augmented Generation (RAG):** Динамично добавяне на релевантна информация от външни бази от знания в prompt-а преди изпращане до LLM. Предложен за първи път от Meta AI през 2020 г., този метод е ключов за борба с халюцинациите и осигуряване на актуалност на данните. - **Чанкинг (Chunking):** Разбиване на по-големи текстове на по-малки части (chunk-ове), за да се побере в контекстния прозорец на модела. Стратегиите включват разбиване по изречения, параграфи, token-и (с припокриване). - **Сумаризация:** Компресиране на дълги текстове или история на диалога за предаване на основния смисъл в ограничен контекст. ## Техники за подобряване на разсъжденията (Reasoning) Тези техники са насочени към това да накарат модела да „мисли" по-внимателно и структурирано. Ефективността на много от тях, особено на CoT, се проявява при модели с голям мащаб (като правило, над 100 млрд. параметъра). - **Chain-of-Thought (CoT):** Инструкция на модела да генерира поетапно разсъждение преди финалния отговор. Съществено подобрява резултатите в математиката, логиката и многоетапните задачи. - **Zero-shot CoT:** Най-простата форма, която не изисква примери. Добавянето в prompt-а на фраза като „Нека разсъждаваме стъпка по стъпка" (Let's think step by step) вече може да стартира верига от разсъждения. - **Вариации на CoT:** - **Auto-CoT:** Автоматично генериране на примери за разсъждения за few-shot prompting. - **Self-Consistency:** Генериране на няколко вериги от разсъждения и избор на най-честия отговор чрез „гласуване", което повишава надеждността. - **Tree-of-Thoughts (ToT):** Изследване на няколко пътища на разсъждение под формата на дърво, с възможност за връщане назад и оценка на междинните стъпки. Тази техника демонстрира висока ефективност при сложни задачи, например повишавайки успеваемостта при решаването на „Game of 24" от ~4% до ~74%. - **Graph-of-Thought (GoT), LogiCoT** и други, насочени към по-сложни или логически верифицирани разсъждения. - **ReAct (Reason and Act):** Техника, развиваща CoT. Представлява итеративен цикъл, при който моделът редува стъпки на Разсъждение (Thought) и Действие с използване на Инструменти (Act), актуализирайки разбирането си въз основа на Наблюдения (Observation). - **Self-Refine:** Итеративен процес, при който моделът първо генерира отговор, след това го критикува и накрая го подобрява въз основа на собствената си критика. Този цикъл „генериране-критика-подобряване" може да се повтаря няколко пъти. - **Take a Step Back Prompting:** Моделът първо формулира общи принципи или абстракции, а след това ги прилага към конкретната задача. ## Напреднали техники: агенти и инструменти - **Използване на инструменти (Tool Usage) / Функционално извикване (Function Calling):** Предоставяне на LLM възможността да извиква външни API (търсене, калкулатор, БД). Моделът генерира структурирана заявка за извикване на инструмент, която се изпълнява от приложението, а резултатът се връща на модела. Съвременните LLM (GPT-4, Claude 3) имат вградена поддръжка на тази функция. - **Агенти (Agents):** Системи на база LLM, които могат автономно да планират, да използват инструменти и да действат за постигане на цел. Често използват ReAct-подобни цикли. Фреймуърки (LangChain, AutoGen, CrewAI) улесняват тяхното създаване. - **Многоагентни системи:** Взаимодействие на няколко специализирани агента за решаване на комплексни задачи. ## Техники за намаляване на грешките и халюцинациите - **RAG:** Обвързване на отговорите с извлечени фактически данни. - **Инструкции за ограничаване на отговора:** Изискване да се отговаря само въз основа на предоставения контекст или да се посочва несигурност („Ако отговорът е неизвестен, кажи 'Не знам'"). - **Заявка за цитиране:** Изискване от модела да посочва източници или да цитира части от контекста, на които се основава отговорът. - **Верификация и самокритика:** Използване на техники като **Chain-of-Verification (CoVe)** (генериране на отговор с последващата му проверка и коригиране), Self-Refine или директна заявка към модела да провери отговора си за грешки. - **CoT:** Поетапното разсъждение само по себе си може да намали логическите грешки. ## Техники за оценка и итерация Макар оценката да е отделен процес, някои от нейните аспекти са част от prompt engineering: - **A/B тестване на prompt-и:** Сравняване на ефективността на различни версии на prompt-и върху едни и същи задачи. - **Използване на LLM за оценка:** Прилагане на мощен модел (например GPT-4) за оценка на качеството на отговорите, генерирани от друг prompt или модел (LLM-as-a-Judge). ## Паттерни на prompt-и Разпространени многократно използваеми структури: - **Паттерн на Персоната (Persona Pattern).** - **Паттерн на Персонализация на Изхода (Output Customization Pattern).** - **Паттерн на Заявка за Уточнения (Question Refinement Pattern).** - **Паттерн на Когнитивна Верификация / Самокритика (Cognitive Verifier / Self-Critique Pattern).** - **Паттерн на Поетапно Разсъждение (Step-by-Step / Chain-of-Thought Pattern).** - **Паттерн на Шаблона (Template Pattern).** ## Литература - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401. - Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190. - Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786. - Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290. - Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Chen, S. Y. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [1]. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF. - Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844. ## Вижте също - Големи езикови модели - Chain-of-Thought Prompting - Халюцинации и некоректни отговори на LLM