--- title: "Generated Knowledge Prompting (HU)" source: "https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)" wiki: "systems-analysis.info/int" article: "Generated_Knowledge_Prompting_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 2587 wiki_created_at: 2026-09-06T23:06:31Z wiki_modified_at: 2026-09-06T23:06:31Z downloaded_at: 2026-09-07T22:52:17Z --- # Generated Knowledge Prompting (HU) **Generated Knowledge Prompting** (**GKP**, **tudásgenerálással támogatott promptolás**) — egy prompt-mérnöki módszer, amelyet a nagy nyelvi modellek (LLM) rászoruló feladatokban való teljesítményének javítására fejlesztettek ki, különösen az érvelést és tényszerű tudást igénylő feladatok esetén[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-liu2022acl-1). A GKP alapgondolata az, hogy a modellt két lépésben hajtja végre a feladatot: először releváns tényeket generál a kérdés témájával kapcsolatban, majd ezekre a tudáselemekre támaszkodva fogalmazza meg a végleges választ[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-liu2021arxiv-2). Ez a megközelítés lehetővé teszi az LLM számára, hogy aktiválja és felhasználja belső, *parametrizált* tudását, amelyet milliárdnyi paraméterbe van kódolva, de standard lekérdezéseknél sokszor nem érhető el. A GKP azt a problémát oldja meg, amikor a modellek „nem tudják, hogy mit tudnak", és segíti őket abban, hogy szétszórt tényeket összekössenek a helyes következtetés levonásához[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-liu2021arxiv-2). ## Történet és eredet A **Generated Knowledge Prompting** módszert először a „*Generated Knowledge Prompting for Commonsense Reasoning*" című tudományos cikkben mutatták be, amelyet **Jiacheng Liu** vezette kutatócsoport készített. A tanulmány előzetes változata az *arXiv* előnyomatok archívumában jelent meg 2021. október 15-én, a végleges verzióját pedig a neves *Association for Computational Linguistics* (ACL) konferencián mutatták be 2022-ben[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-liu2022acl-1). A GKP az első és legjelentősebb módszerek egyike volt, amely az LLM-ekkel való interakció paradigmájának megváltoztatását javasolta, az azonnali válaszgenerálásról a kétlépéses kognitív folyamatra helyezve a hangsúlyt. ## Kétlépéses működési mechanizmus A GKP mechanizmusa az összetett feladatot két egyszerűbb alfolyamatra bontja: a releváns információ kinyerésére és annak következtetésre való felhasználására. ### 1. lépés: Tudásgenerálás (Knowledge Generation) Az első lépésben egy nyelvi modellt (a „tudásgenerátort") használnak arra, hogy több (M) tudáselemet hozzon létre, amelyek relevánsak az eredeti kérdésre. Ezt a folyamatot few-shot prompting technikával indítják el, ahol a modell néhány példát kap a „kontextusban való tanuláshoz". A tudásgenerálási prompt meghatározott szerkezettel rendelkezik: 1. **Utasítás**: Általános iránymutatás, például: „Generálj néhány tényt a témával kapcsolatban". 2. **Bemutatópéldák**: Néhány, ember által írt „kérdés-tudás" pár. Ezek a példák kritikusan fontos szerepet játszanak, mivel megtanítják a modellnek, hogy milyen típusú információ tekinthető hasznosnak. A generált tudás nem tartalmazhatja közvetlenül magát a választ. 3. **Új kérdés**: A felhasználó eredeti lekérdezése, amelyhez tudást kell generálni. Egy kérdéshez *M* tudásváltozat generálódik (az eredeti munkában M=20), hogy a második lépéshez változatos tényhalmazt kapjanak[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-liu2022acl-1). ### 2. lépés: Tudásintegráció és válaszformálás (Knowledge Integration) A második lépésben egy másik nyelvi modellt (a „következtető modellt") használnak, amely működhet *zero-shot* módban, vagy finomhangolható az adott feladatra. Az integráció folyamata a következőképpen zajlik: 1. **Lekérdezésbővítés**: Az eredeti kérdést (*q*) egymás után összekapcsolják az *M* generált tudáselem mindegyikével (*km*). Ennek eredményeként *M+1* bővített lekérdezés jön létre (beleértve az eredeti, tudás nélküli kérdést is). 2. **Értékelés és válaszválasztás**: A következtető modell megbecsüli minden lehetséges válaszlehetőség (*a*) feltételes valószínűségét minden egyes bővített lekérdezéshez. A végső válasz az a lehetőség lesz, amely a legtöbb lekérdezésnél a legmagasabb valószínűségi értéket kapta. Ez a kétlépéses mechanizmus egyfajta metakognitív folyamatot vezet be: „*Mielőtt válaszolsz, gondolkodj el és fogalmazd meg, mit tudsz ebben a témában*". ## Hatékonyság és tesztelési eredmények A GKP hatékonyságát számos akadémiai benchmarkon ellenőrizték, amelyek a józan ész alapú érvelést mérik. A módszer jelentős teljesítményjavulást mutatott az alapmódszerekhez képest. | Benchmark neve | Feladat | Alapmodell pontossága (%) | GKP-vel elért pontosság (%) | Növekedés (%) | |-----------------------|----------------------|---------------------------|-----------------------------|---------------| | **NumerSense** | Numerikus józan ész | 64.05 | 72.47 | +8.42 | | **CommonsenseQA** | Általános józan ész | 39.89 | 47.26 | +7.37 | | **CommonsenseQA 2.0** | Általános józan ész | 70.20 | 73.03 | +2.83 | | **QASC** | Tudományos józan ész | 76.74 | 80.33 | +3.59 | A GKP eredményeinek összefoglalása a főbb benchmarkokon (adatok: Liu et al., 2022)[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-liu2022acl-1) A legnagyobb növekedés *zero-shot* módban figyelhető meg, ami bizonyítja a GKP azon képességét, hogy hatékonyan aktiválja a modell belső tudását további finomhangolás nélkül. ## Összehasonlító elemzés más technikákkal ### GKP vs. Chain-of-Thought (CoT) A GKP és a Chain-of-Thought (CoT) közötti fő különbség a generált információ típusában rejlik: - A **GKP** **deklaratív tudást** generál — tényeket, definíciókat, a világra vonatkozó kijelentéseket (*„mi"*). Kiegészítő kontextust nyújt a modellnek. - A **CoT** **procedurális tudást** generál — logikai lépéseket, számításokat, következtetési sorrendeket (*„hogyan"*). Következtetési utat nyújt a modellnek. Így a GKP tényalapot biztosít, a CoT pedig a következtetés logikai szerkezetét[\[3\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-wei2022cot-3). ### GKP vs. Retrieval-Augmented Generation (RAG) A GKP-vel ellentétben a Retrieval-Augmented Generation (RAG) módszer külső, nem parametrikus tudásforrásokat használ. - A **GKP** **belső tudást** használ, amelyet a modell a tanítás során sajátított el. Arra készteti a modellt, hogy „*felidézze*", amit már tud. - A **RAG** **külső tudást** használ adatbázisokból, dokumentumokból vagy az internetről. Arra készteti a modellt, hogy „*keresse*", az információt a külső világban. A GKP és a RAG közötti választás a feladattól függ: a GKP akkor hatékony, ha a szükséges tudás közismert és jól képviselt a tanítóadatokban, míg a RAG nélkülözhetetlen szűk szakterületi, friss vagy saját tulajdonú adatok esetén. ## Korlátok és kockázatok - **A „hallucinációk" problémája**: A GKP fő kockázata a téves tények generálásának lehetősége. Ha az első lépésben a modell hamis állítást generál, a második lépésben azt igaznak fogja tekinteni, ami magabiztos, de teljesen téves válaszhoz vezet. - **Számítási költségek**: A módszer az LLM többszöri hívását igényli (M+1 hívás egyetlen lekérdezéshez), ami jelentősen megnöveli a válaszidőt (*latency*) és a használati költséget a standard promptoláshoz képest. - **Promptfejlesztés összetettsége**: A GKP hatékonysága erősen függ a *few-shot* példák minőségétől, amelyek elkészítése nem triviális és időigényes feladat. ## Evolúció és hibrid megközelítések A GKP-ben lefektetett gondolatok katalizátorként szolgáltak összetettebb és megbízhatóbb promptolási technikák kidolgozásához, mint például: - **Hint-before-Solving (HSP)**: A GKP közvetlen szellemi örököse, amely a kétlépéses elvet („először tudás, aztán cselekvés") nem egyszerű válaszra, hanem CoT-ban zajló összetettebb következtetési folyamatra alkalmazza[\[4\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-hsp2024-4). - **Verify-and-Edit (VE)**: Hibrid keretrendszer, amely a GKP és a CoT „hallucinációs" problémájára ad választ. A VE először következtetési láncot generál (mint a CoT), majd külső keresés segítségével automatikusan ellenőrzi a kulcstényeket (mint a RAG), és szerkeszti a következtetéseket a végső válasz generálása előtt[\[5\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_note-zhao2023ve-5). ## Hivatkozások - Generated Knowledge Prompting a Prompt Engineering Guide-ban ## Irodalom - Liu, J. et al. (2021). *Generated Knowledge Prompting for Commonsense Reasoning*. arXiv:2110.08387 - Liu, J. et al. (2022). *Generated Knowledge Prompting for Commonsense Reasoning*. In \*Proc. ACL 2022\*. ACL:2022 - 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 - Fu, J. et al. (2024). *Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Encoded Knowledge*. arXiv:2402.14310 - Zhao, R. et al. (2023). *Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework*. arXiv:2305.03268 - Lin, B. et al. (2020). *NumerSense: Probing Numerical Commonsense Knowledge of Pre-trained Language Models*. Dataset page - Talmor, A. et al. (2019). *CommonsenseQA: A Question-Answering Challenge Targeting Commonsense Knowledge*. ACL paper - Khot, T. et al. (2019). *QASC: A Dataset for Question Answering via Sentence Composition*. arXiv:1910.11473 - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467 ## Megjegyzések 1. ↑ [1.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-liu2022acl_1-0) [1.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-liu2022acl_1-1) [1.2](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-liu2022acl_1-2) [1.3](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-liu2022acl_1-3) Liu, J., Liu, A., Lu, X., et al. (2022). «Generated Knowledge Prompting for Commonsense Reasoning». *Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-liu2021arxiv_2-0) [2.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-liu2021arxiv_2-1) Liu, J., Liu, A., Lu, X., et al. (2021). «Generated Knowledge Prompting for Commonsense Reasoning». *arXiv preprint arXiv:2110.08387*. [2] 3. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-wei2022cot_3-0) Wei, J., Wang, X., Schuurmans, D., et al. (2022). «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». *arXiv preprint arXiv:2201.11903*. [3] 4. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-hsp2024_4-0) Katz, O., Maman, Y., et al. (2024). «Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Scaffolding». *arXiv preprint arXiv:2402.14310*. [4] 5. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(HU)#cite_ref-zhao2023ve_5-0) Zhao, R., Zhang, J., et al. (2023). «Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework». *arXiv preprint arXiv:2305.03268*. [5]