Вчера на конференции Digital learning провели бесчеловечный интересный эксперимент совместно с Олегом Замышляевым.

Суть эксперимента: на меня повесили микрофон, чтобы попробовать сделать расшифровку голоса в максимально боевых условиях. На фото видно микрофон, который прикреплен как петличка.

Как это было сделано, можно прочитать у Олега в канале: https://news.1rj.ru/str/PromptLab_Mozlab/101 (и обратите внимание на следующий пост https://news.1rj.ru/str/PromptLab_Mozlab/102), а сам файл расшифровки доступен в гугл доке: https://docs.google.com/document/d/1gcsnilM6F6-40z22U8x7LZN34uCMo1zvPe4ECAzKkWk/edit

Ну а от меня дополненный текст, который я прогнал через нейросеть для получения читабельной версии и дополнил слайдами: https://telegra.ph/Avtomatizaciya-sozdaniya-kontenta-kak-pravilno-zadat-kontekst-II-11-17

Хотя нейросети изначально делали по образу и подобию нейронных сетей в голове живого организма (не обязательно человека), нашему мозгу очень тяжело их осознать. Зато взаимодействие с нейросетями демонстрирует, насколько, на самом деле, просто устроены наше собственное мышление.

Я сейчас очень сильно задумался над этим тезисом. Это ведь получается, что мы получили упрощенную модель учащегося?

А почему бы не обкатывать наше обучение с помощью такого теста:
- допустим мы хотим кого-то чему-то научить
- даем входной промпт отображающий текущую ситуацию (как сейчас себя ведут, как поступают)
- даем то, что нам кажется мы должны дать учащимся
- проверяем поведение
- если не устраивает - меняем логику курса, структуру, наполнение, задания... и повторяем

👁️ Мы, по сути, получаем возможность провести тестовое обучение за минимальное время и с нулевой стоимостью, прежде чем выкатывать его на всю компанию.

Какие тут вызовы:
- явно серьезная проблема уложиться в лимит токенов. Причем тут лимит даже не 100К, а сильно меньше - чем длиннее промпт тем меньше "значимость" каждого слова в нем, вероятно промпты должны быть реально лаконичные.
- точно передать текущее поведение целевой аудитории. Причем не только фактические признаки, но и внутреннюю мотивацию.
- понять каким заданием мы можем попросить нейросеть описать свое поведение, не подведя ее саму к "социально жетательному" ответу.

Что думаете?

Еще одна интересная загадка, которую мне удалось решить добавив всего одну строку в промпт, чтобы получить стабильный ответ.

Загадка: Если одиннадцать плюс два равняются одному, чему равны девять плюс пять?
Ответ: Речь о часах, 11+2=13, что на циферблате отображается как 1 час, соответственно 9+5=14, на циферблате это 2.

Решить через нейросети не сложно, но давайте на этой загадке попробуем писать не огромный промпт на 10 строк, а еще сделаем его максимально дешевым и коротким.

Вот учимся мы работе с промптами, изучаем логику работы нейросетей, даже на логических задачах пытаемся чему-то научиться, а меж тем оказалось, что все... зря.

Главная характеристика машины - число лошадиных сил или крутящий момент. У компа - проц и оперативка. А у нейросетей - число параметров в модели.

General Pretrained Transformer'ы не просто не стоят на месте. Доказательство на картинке.

И знаете что? Часть моих задачек (но не все) GPT4 от OpenAI решает без дополнительных вводных. То есть модель без инструкций начинает решать самостоятельно все более сложные вопросы.

В очередной раз обновляю программы тренинга и курса.

Кажется я от такого отвык - раньше ставил себе план на обновление на через пол года, а тут раз в месяц.

Получил очередное доказательство тезиса, что промпт инженер это не профессия, а навык.

Недавно пришли с интересным кейсом: делали внутри ИИ помощника, который должен был давать подсказки операторам в коллцентре варианты ответов в чате. Клиент задает вопрос, а ИИ предлагает на выбор несколько ответов, с учетом контекста.

Заказывали разработку у вендора еще несколько лет назад первый раз, недавно перевели на GPT3 и переписали все инструкции уже с другим вендором. Стало немного лучше, но все еще помогало слабо. Сейчас вот перешли на GPT4 с теми же промптами. Изменений почти нет. Операторы так и набирают 80% ответов сами (а 20% это стандартные приветствия, благодарности - в общем то, что и без ИИ можно было автоматизировать). Продукт достаточно сложный, много нюансов. А вендор их не знал.

В итоге я для начала посоветовал просто почитать наш курс и еще пару статей в интернете, и угадайте что? Ребята сами переписали практически все промпты (к сожалению и часть автоматизации тоже, опишу в треде почему) и теперь оператор пишет ответ руками только 30% ответов. Вчера ребята отписались, что у них все получилось!

Вывод? Да очень простой: чтобы правильно написать инструкции для ИИ нужно быть в теме. Магии не бывает, профессионалы все еще нужны этому миру.

Профессия промпт-инженера не нужна )))

Простите за мелкий текст на картинке, но это потрясающе!

Такие промпты пишут "промпт инженеры", которые не знают нюансов проведения встреч. К сожалению сейчас все саммаризаторы встреч этим грешны.

Кстати я вообще не сильно верю, что может быть один промпт, который сделает саммари из любой встречи. Скорее набор промптов, когда в начале нейросеть должна выбрать какой-то сценарий, а уже затем под него запустить новый анализ с нужными инструкциями. Примерно как в кейсе из предыдущего поста.

В продолжение предыдущего поста. Хоть он и кажется шуточным, в нем, снова, есть глубина и из этой шутки можно вытащить много пользы и выводов. Хотя в каждой шутке всегда только доля шутки?..

Сегодня на вебинаре про нейросети нашли объяснение неудачным автоматичеким саммари диалогов (как записей встреч, так и любых других).

А кто, собственно, нам сказал, что у каждой встречи есть цель получить результат и какие-то выводы?

Мы просим нейросеть обязательно их найти и пишем инструкции типа "выпиши конкретные и лаконичные формулировки договоренностей, которых достигли на встрече", но кто нам сказал, что это не была встреча где:
- начальник разносил подчиненных с целью самоутвердиться
- исполнитель выдумывал удобные способы слить задачу и затянуть сроки
- просто группа людей профессионально прокрастинировала друг об друга

Я на своих тренингах рассказываю про одно из фундаментальных ограничений нейросетей: они кайне исполнительны. И это минус, а не плюс! Если я прошу нейросеть найти ошибку в коде, она ее может найти, даже если ее там нет. Если я прошу найти договоренности во встрече, где их не предполагалось, она их выдумает.

Нейросети делали по образу и подобию настоящих нейронов, потому их и называли "искусственный интеллект", и пока (ключевое слово!) они плохо справляются с многоходовыми размышлениями, им надо помогать с этим.

Когда меня просят сделать саммари из встречи, с чего я начну? Сразу буду искать выводы? Или сначала пойму о чем? А когда пойму то уже можно искать выводы, или сначала подумать а могут ли они тут в принципе быть? У нас в голове такие мысли проносятся, порой, что мы даже не замечаем. И я заметил за собой, что учусь все больше и больше рефлексировать над тем, а почему я сам, решая ту или иную задачу начал делать именно это действие, а не другое?

Вывод? Да пожалуйста: Умение видеть скрытые шаги в собственных размышлениях - ключ к составлению правильной последовательности задач и для нейросетей.

ИИ для нетехнарей

На фото - Володя Казаков, который вчера (в очередной раз) мастерски разложил (простым и понятным языком) основы того, как работают нейросети.

Напоминаю всем, что у нас есть корпоративный формат - можно научить свою команду и получить вот такие результаты:

📍Сотрудники поймут, как применять ИИ в своей работе

📍Освоят навык написания промптов к ИИ, которые будут давать результат

📍Поймут ограничения ИИ, границы его применения

📍Научатся применять метрики качества результата при работе с ИИ

📍Поймут, что такое промпт-архитектура и научатся писать сложные последовательности промптов для более глубокого и качественного результата

📍Освоят технические аспекты запуска и использования ИИ как локально, так и в облаке

📍Вдохновятся идеей использования ИИ и станут амбассадорами этой темы внутри компании

Сейчас есть пару свободных слотов для корпоративных программ, вот тут можно оставить заявку: https://mkrobots.ru/ai-training

Уже писал про "безопасность" решений на базе нейросетей, а тут недавно скинули интересную игру, где нужно было заставить ИИ отдать пароль, хотя ей дали инструкцию его не говорить.

https://gandalf.lakera.ai/

Первые пару уровней проходятся почти не глядя, а вот дальше начинаются весьма интересные кейсы. Чтобы их решить нужно иметь понимание "как работает ИИ под капотом".

Крайне рекомендую, особенно если вы уже прошли наш курс или были на вебинарах - все должно получиться, а набить руку никогда не вредно.

PS: бонусный 8й уровень я и сам не прошел ))

На днях скинули интересную статью, как смогли улучшить ответы нейросети для широкого спектра задач, и я еще раз увидел важность подхода "цепочки рассуждений".

Chain-of-thought (CoT): цепочка рассуждений – по-простому, мы просим модель "подумать" перед выбором финального ответа. Например, перед тем как дать ответ опиши ход своих мыслей в нескольких предложениях. Вариаций как организовать CoT масса. Это позволяет модели порефлексировать, набросать черновые варианты или выделить, на что обратить внимание, – до того как давать ответ.

В чем причина такого поведения нейросети: каждый раз, для выбора следующего токена, нейросеть прогоняет через себя весь предыдущий текст. Включая текст своего ответа. А значит если мы просим ее написать ответ сразу, она будет исходить только из нашего промпта, а если мы просим "рассуждать вслух", то к моменту ответа в контексте окажутся еще и те слова, которыми она будет описывать рассуждения.

На самом деле не так важно "кто" поразмышлял вслух - это могли быть и наши собственные рассуждения. И совершенно не факт, что рассуждения нейросети будут в верном направлении. Но если добавить минимальную архитектуру (даже с полностью ручным подходом и без автоматизации) когда мы каждую цепочку последовательно критикуем, дорабатываем и затем попарно сравниваем, мы получим очень большой контекст и повысим шанс получить правильный ответ в несколько раз.

В одном из прошлых постов закинули вопрос, показав как пример ошибки модели GPT в ответах на фактические вопросы по произведениям русских классиков.

Вообще вопрос был про работу с английским языком, но до этого я бы хотел еще и еще раз обратить внимание, что все модели-трансформеры (а это почти все текстовые нейросети сейчас) НЕ созданы для работы с фактическими данными.

А теперь про работу с английскими или русскими промптами.

Год назад была большая разница в том, на какой языке мы должны были писать инструкции - на английском ответы были в разы лучше, на всех остальных - заметно хуже. Разница была и в полноте, и в согласованности самих слов. Сейчас ситуация поменялась и разница для основных языков (и великий и могучий среди них тоже есть) практически отсутствует.

При этом, не важно в каком языке задается вопрос, существует некоторая рандомность ответов, и задав вопрос "какой формы земля" мы с 99,(9)% получим ответы из серии "круглая", "шарообразная" или даже "геоид", но всегда есть еще 0.000...1%, что нейросеть решит нам написать, что земля плоская и лежит на слонах, которые стоят на черепахе.

Так почему же нейросеть по запросам про русских классиков выдает чушь? (Пруфы добавлю в комментарии, на примере Тургеньева)
- Не из-за английского или русского языка в промпте, а из-за своей природы
- Все данные, на которых учится нейросеть, проходят процесс трансформации и он необратим. Некоторые данные нейросеть может воспроизвести дословно, но это случайность
- Сама логика нейросетей, как "трансформеров" текста, заставляет ее писать ответ, опираясь на "воспоминания" - наиболее близкое у людей состояние называется "слышал звон, да не знает где он"

Так что там с английским? Чем лучше наши слова будут "возбуждать" нужные нам "нейроны", тем качественней ответ. Иногда это должны быть английские слова, иногда транслит, иногда англицизмы. Не уверен, но думаю, что есть кейсы когда японские или китайские иероглифы будут давать максимальную пользу. Но с точки зрения самой природы нейросети никакой предвзятости к языкам у нее уже нет.

Вчерашний пост должен был породить у вас не мало вопросов. Если нейросеть такая "тупая" то зачем она вообще нужна? Не легче ли без?

Нет, не легче)

Мы получили ответы. Да, они были бредовыми - хотя я скидывал в тред именно такие примеры, но были и нормальные, конечно, или средние, где бредовость еще надо найти.

Но во всех ответах мы почти моментально видели неточности. Для очень большого набора задач процесс валидации в разы быстрее, чем процесс генерации.

Помните старую шутку, что если посадить 10 000 000 обезьян, то рано или поздно они напишут "Войну и мир"? Ну вот. Теперь это не шутка)

Ну что, какое-то время назад обсуждали тут про восстание машин и думали - заменят они нас или нет.

Вот мое аргументированное мнение: https://rb.ru/opinion/mashiny-ne-vosstanut/

По мотивам вчерашней дискуссии (кто пропустил - сорян, уже не почитать).

Подумал, что полезно будет написать не только про нейросети, но и более общие и приземленные вещи: математическая статистика.

Мало кто знает, но начинался мой путь в преподавании именно с мат.статистики и эксперименталки - вел эти предметы в своем вузе. И я считаю, что роль правильных расчетов сильно недооценена.

Предлагаю три задачки, решения будут в трэде под спойлерами.

1) Вы сделали две пилотные версии курса, которые отличались только траекторией - закрытая (нужно было обязательно прочитать все уроки) и открытая. После прохождения курсы ваши учащиеся сдавали итоговый тест. Результаты: закрытая траектория: { 38, 38, 40, 44, 45 } и открытая траектория: { 36, 37, 40, 43, 44 }. Имеет ли смысл делать закрытую траекторию курса?

2) Продолжаем считать результаты прошлого курса. Для проведения исследования с результатами в каждой группе по 5 завершенных итоговых тестов в каждой группе вам понадобилось привлечь 22 человека на курс с закрытой траекторией (прошло до конца в итоге 5) и 11 человек на курс с открытой траекторией (прошло тоже 5). Можно ли сделать вывод, что доходимость у этих траекторий курсов разная?

3) Ну и давайте уже добьем этот кейс с курсом. Конечно же мы спрашивали у всех учащихся (все 33 человека) их мнение об обучении с помощью анкеты обратной связи по методу NPS. Спрашивали у всех через 3 дня их неактивности, вне зависимости от того был ли пройден курс или брошен. Все участники как минимум начали курс. В первой группе (закрытая траектория) NPS = 63%, а во второй группе NPS = 95%. Если же выбирать только тех, кто в каждой группе дошел курс до конца, то в первой группе NPS = 80%, а во второй 94%. Можно ли сказать, что траектория курса влияет на вовлеченность в обучение?

Ну и задача со звездочкой: какой общий вывод можно сделать? Если что - цифры взяты настоящие и решение тоже было настоящим ))

Перед новым годом принято проводить итоги.

Для меня этот год стал годом открытий и достижений. И год изменений. Не все из них случились по моей воле, но всем им я очень рад!

Я хочу всем вам, друзья, пожелать в новом году своих собственных побед, исполнения мечт и появления новых грандиозных планов!

Ну и мы с Ромой тут рядом, чтобы те мечты, в которых вам нужна помощь, обязательно исполнились!

Кажется логичным продолжить тему, которую начали в прошлом году и договорить про математику при расчетах результатов опросов и тестов.

Почему вообще это важно? Когда мы работаем с людьми, нам очень редко получается замерять какое-то явление точно – не для всего есть свои линейки. И в этот момент мы имеем дело не с точным измерением, а с вероятностными показателями. А если у них есть вероятность, то значит и изменения могут быть продиктованы ими, а не тем какой фреймворк перфоманс ревью мы внедрили или какой курс сделали.

Так сколько людей необходимо взять в выборку, чтобы полученные результаты были нам полезны? Частая ошибка - брать какой-то процент от общего числа людей в компании, в стране или в мире, но это очень и очень не правильно. В действительности размер выборки вообще не зависит от того, какого размера генеральная совокупность. На самом деле число респондентов определяется изменчивостью признака и тем, какую погрещность мы будем считать допустимым.

Вот, например, калькулятор (один из сотни, поверьте, там везде будут одинаковые показатели), в котором можно прикинуть какое число людей требуется для исследования. Так вот не важно, проводите ли вы исследование на 10 000 человек в своей компании или по всей стране на 150 000 000 - если погрешность на уровне 5% и достаточно 95% надежности то достаточно 370-380 человек. То есть при общем числе в десять тысяч и в 150 миллионов разница в выборке всего в десять человек.

Но вот дальше начинается самое сложно - как этих людей набрать. Тут тоже не все так просто, но об этом в следующий пост, и закроем тему про математику.

Ну и завершая тему про статистику в нашем уютном чатике, давайте поговорим о том, как выбирать тех самых респондентов для наших исследований. Как и с любой задачей, здесь тоже важна правильная подготовка.

Начнем с того, что все эти красивые статистики и расчеты работают как часы только при условии нормального распределения данных. Что значит "нормальное распределение" лучше почитать, если коротко коротко - это когда данные на графике распределены симметрично. Это, конечно, не значит, что статистика не полезна в других случаях, очень часто данные можно нормализовать.

Теперь давайте поговорим о выборке. Очень важно, чтобы она была представительной. Не, не в смысле в ней представительные топ-менеджеры, а чтобы она отражала разнообразие той группы, которую мы исследуем. Иначе результаты будут как карикатура вместо фото. Да, случайность здесь важна. Но вот загвоздка: хотя мы и говорим о случайности, мы не можем полагаться только на случай.

Важно учесть демографическое разнообразие. Люди разные - по возрасту, полу, образованию, опыту работы. И если мы хотим достоверно оценить, например, эффективность обучения нашего нового курса, нам нужно, чтобы в выборке были не только те, кто уже много знает, но и те, кто только начинает свою карьеру.

Как правило для этого используется стратификация - мы знаем что у нас в организации работает сколько-то женщин и мужчин, опыт работы 10+ лет имеет Х%, а меньше года Y%. Сразу думаем какие еще факторы могут влиять на наши результаты и пытаемся их учесть. Так вот и наша выборка должна по составу быть примерно такой.

👉 Типичная ошибка: просто повесили ссылку на опрос на внутреннем портале. Круто - вы получили ответы тех, кто: достаточно активен, читает интранет, имеет свободное время, ... (формально это случайная выборка, но на самом деле нет). Минимально, что тут можно сделать - добавить еще хоть один канал (почта/мессенджер) из всех ответов случайным образом выбрать какое-то количество, которое будет отображать все разнообразие аудитории с учетом ваших параметров.

👉 Случай из практики: проводили опрос по эффективности внедренного ИПР. В первой попытке сделали ровно как я написал выше - просто закинули ссылку на интранет и подождали три дня. Результаты - чума, ну просто супер все круто. Когда я заглянул в сами ответы то понял что: кроме отдела кадров, HR и PR на портале никто не сидит, 70% ответов были от этих трех групп, у сейлзов было какое-то мероприятие и они вообще отсутствовали в эти дни всем отделом, а ИТ из своего кода не вылезают и читают только месенджер, так что и не знали про опрос.

👉 Решение: повторили процедуру, но уже закинув анкету по почте и в слак, подождали неделю, выбрали случайно правильную выборку (с учетом распределения по отделам. и опыту работы) из ответивших и ... ну вы поняли - радость кончилась, общая удовлетворенность примерно на уровне плинтуса. А могли бы и дальше жить в мире пони и единорогов и думать что наш ИПР самый ИПРистый на свете...

Так что, в заключение, давайте помнить, что статистика - это как ящик с носками. Если вы их там специально перемешивали, то можно и случайные выбирать, но если вы после стирки темные кидаете в одну сторону, светлые в другую, а шерстяные бабушкины храните вообще отдельно - то случайно взять пару носков и сделать выводы про все - нельзя.

Случайность, представительность и учет разнообразия - вот наши основные ингредиенты успеха.

Ну и завершая цикл про математику - да, у нас с Ромой есть уже подготовленные курсы по разным темам, но мы умеем любим и практикуем делать курсы и учить людей по кастомным запросам, если вдруг вы поняли, что в вашей компании нужно научиться правильно считать такую вот статистику - мы рядом 😊

Вернумся к ИИ? А точнее к тому, когда он не нужен.

Недавно удалось поговорить с @Rewrath, он написал мне как админу этого канала, хотел проконсультироваться, стоит ли применять нейронки в задаче профориентации детей.

Кейс: есть школа, где дети обучаются различным ИТ навыкам, часто ролители приходят с вопросом "куда посоветуете развиваться моему ребенку". Есть определенный кредит доверия и благодаря нему родители и задают этот вопрос. Проблема в том, что традиционные тесты по профориентации очень скучные, появился вопрос, а нельзя ли загрузить этой задачей нейронку.

Варианты решений "в лоб":
1) Не сильно мудрствуя запускать периодически стандартные опросники по профориентации. Они супер скучные, их вообще нельзя проводить слишком часто, ответы на вопросы часто продиктованы не тем, как детишки хотят (у них вообще такой саморефлексии нет иногда), а тем как продиктовано родителями, окружением, учителями. Вердикт: плохо, вот совсем плохо.
2) Решать это нейронками. Но для GPT моделей нужен какой-то контекст (и еще поди пойми какой и где его взять), а тренировать свою сеть - очень сложно, дорого и нужен массив данных такой, которого нет и не предвидится. С GPT еще проблема, что он может галлюцинировать и будет давать ответы которые невозможно полноценно валидировать. Вердикт: снова мимо.

Дополню про GPT: это не тот тип модели, который хорошо работает с данными в виде чисел, пусть даже с базовой математикой ИИ справляется. Для работы с такими моделями нужен контекст, и это точно не цифры. Ну и с учетом галлюцинаций, мне кажется не совсем этичным такой процесс, если его не проверить очень и очень скрупулезно.

Что придумали:
3) Кажется, что можно решить проблему низкой саморефлексии, если заполнять стандартные опросники будут не сами дети, а учителя, которые с ними работают. А чтобы они не сошли с ума от объемов - распилить опросники стандартные на блоки по 1-2 вопроса и после каждого урока отвечать только на них. Бонус - вопросы можно адаптировать, результат будет не однократный, а в формате пульса. Минусы - дополнительная нагрузка, но вроде приемлемая. Вердикт: годится.
4) Возможно, точно не сразу, можно будет попробовать полученные данные с заполненных педагогами отчетов превратить в тот самый контекст для GPT. И сравнить те выводы, которые даст ИИ с тем, что было получено руками. Но при этом совершенно не факт, что этот процесс действительно даст пользу.

Какой вывод? Иногда старый и проверенный путь дает сильно больше пользы. ИИ не панацея, он нужен не всегда. Но я рад, что удалось предложить какие-то идеи, которые оказались полезными.

Решил тут посмотреть на то, как в прошлом году я использовал нейросети и выбрать топовые промпты.

🥇 Первое место заслуженно занимает начало типа "Действуй как опытный менеджер продукта". Иногда формулировка меняется на владельца продукта или product owner'a. Логично, я же в работе использую. Пока, как видите, нейросеть меня не заменила. По моим ощущениям, большая часть задач, которые я так решал ускорилась процентов на 20-30. Не больше, но и это хороший результат.

🥈 На втором месте оказализь запросы, где я прошу ИИ нагенерить мне идей. Как правило это что-то типа "Предложи 10 тривиальных и 10 необычных идей/гипотез" или "Придумай 10 вариантов решения для задачи". Не могу сказать как меня это ускорило в процентах, но то, что я регулярно получал весьма полезные инсайты - факт.

🥉 И на третьем месте, что удивительно, я думал будет выше, задачи связанные с переписыванием текста. Причем примерно поровну как сокращение, так и добавление подробностей. Для сокращения были примеры "Выдели ключевые мысли из текста" и "Сократи текст, оставив самые важные детали", а для написания нового часто использовал "Используя следующие строки как основу пропиши подробно и с деталями пользовательскую историю" (ну или не историю, а что-то еще) и "Дополни список новыми пунктами". Тут ускорение было вообще в несколько раз, пожалуй самая эффективная часть, но требуется не так часто.

А какие у вас самые частые промпты?

Продолжил на выходных смотреть, как прошел прошлый год и каким фреймворком я больше всего пользовался. Думал победит mega-prompt. Но фигушки.

Ну точнее как - по сути я и правда больше всего использовал его, но в чуть другой компоновке. Опишу, вдруг и вам будет полезно?

Обычно, если у меня есть задача, с которой я иду за помощью к ИИ, то эта задача достаточно сложная (с простыми быстрее самому справиться), и часто еще и весьма комплексная.

Мои шаги:
1) пишу достаточно подробный промпт в mega-prompt формате, описываю общий контекст (помним, что иногда нужно даже очевидные вещи добавлять, чтобы получить более релевантный ответ и меньше галлюцинаций). Стандартный формат: персона, задача, контекст, шаги, формат. Но ...
- в шагах сначала ничего не пишу (просто пропускаю)
- в задаче прошу ИИ задать вопросы, ответов на которые не хватает
3) дополняю промпт. Как правило все ответы на вопросы ложатся в персону или в контекст (больше всего в контекст). Иногда для этого даже использую отдельные диалоги. Каждый раз я дополняю промпт и перезапускаю первый запрос, не веду это как диалог, а то начинается дрифт.
4) после того как вопросы становятся тупыми (ощущение, что ИИ пытается профессионально прокрастенировать) я меняю задачу и теперь прошу продумать шаги - декомпозировать или разделить задачу
5) после этого уже меняю задачу на ту, которая мне нужна была изначально

То есть я, по сути, использую нейросеть чтобы "об нее" подумать и в соавторстве написать промпт. В результате да, я получаю тот самый mega-prompt, но очень подробный, что дает сильный буст качества, в тот же момент я не так много времени потратил на него, так как у использовал ИИ даже для этой части.