🦜 LLMs

🧭 LLMs Aggregators

  • Perplexity main Perplexity AI platform, a smart chat-based search engine that combines AI (like Claude, GPT-5, Gemini) and real-time internet data
  • Perplexity Playground r1-1776, sonar-resoning-pro & other models
  • LmArena Pretty nice collections of LLM models

🌀 AI-IDEs

  • Cursor AI-first code editor built for pair-programming with models
  • Windsurf AI-powered IDE with advanced code completion and workflow utomation
  • Zed High-performance, collaborative code editor with AI features
  • JetBrains Fleet Next-gen IDE with AI Assistant (JetBrains)
  • Kiro The AI IDE for prototype to production Kiro helps you do your best work by bringing structure to AI coding with spec-driven development.

⛏️ Prompt Technics

1. ZERO-SHOT:

   Извлеки название продукта, цену и оценку из этого обзора:

   «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.\
    Он довольно хорош, я бы поставил ему 4 из 5 звёзд».

2. FEW-SHOT:

   Отзыв: «iPhone 13 стоит 799 долларов и заслуживает 5/5 звёзд!»\
   Товар: iPhone 13, цена: 799 долларов, оценка: 5/5

   Отзыв: «Только что купил Pixel 7 за 599 долларов. Твёрдая 4/5».\
   Товар: Pixel 7, цена: 599 долларов, оценка: 4/5

   Отзыв: «На прошлой неделе я купил Samsung Galaxy A54 за 450 долларов. Он довольно хорош, я бы поставил ему 4 из 5 звёзд».\
   Товар:

3. CHAIN-OF-THOUGHT (CoT):

Извлеките информацию о товаре из этого обзора. Думайте пошагово: 
1. Сначала определите, какой товар упоминается.
2. Затем найдите информацию о цене. 
3. Наконец, найдите рейтинг или оценку. 
Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.Он довольно хороший, я бы дал ему 4 из 5 звёзд». Давайте подумаем:

4. ROLE PROMPTING:

      Ты — специалист по извлечению данных с 10-летним опытом работы в сфере аналитики
      электронной коммерции. Твоя задача — точно извлекать информацию о товаре. Извлеки название  
   товара, цену и рейтинг из: «На прошлой неделе я купил Samsung Galaxy A54 за 450       долларов.Он довольно хорош, я бы дал ему 4 из 5 звёзд».

5. INSTRUCTION WITH CONSTRAINTS:

Извлеките информацию о товаре из отзыва ниже. ПРАВИЛА: - ОБЯЗАТЕЛЬНО укажите название товара - ОБЯЗАТЕЛЬНО укажите точную цену со знаком доллара - ОБЯЗАТЕЛЬНО укажите рейтинг в формате X/5 - Если какая-либо информация отсутствует, напишите «НЕ НАЙДЕНО» - Выведите данные через запятую Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе. Он довольно хороший, я бы поставил ему 4 из 5 звёзд».

6. NEGATIVE PROMPTING:

Извлеките информацию о товаре из этого обзора. НЕ включайте личные мнения. НЕ добавляйте информацию, которой нет в тексте. НЕ используйте маркированные списки или длинные пояснения. Просто укажите товар, цену и оценку: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.Он довольно хороший, я бы поставил ему 4 из 5 звёзд».

7. SELF-CONSISTENCY PROMPTING:

Извлеките информацию о товаре тремя разными способами, а затем выберите наиболее точный: 
Попытка 1: Извлеките информацию о товаре, цене и рейтинге. 
Попытка 2: Какой товар, стоимость и оценка упоминаются?
Попытка 3: Определите детали покупки.
 Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.Он довольно хороший, я бы поставил ему 4 из 5 звёзд».

8. LEAST-TO-MOST PROMPTING:

Давайте разберёмся: 
1. Какой продукт упоминается в этом обзоре? 
2. Сколько он стоил? 
3. Какая оценка была дана? 
4. Теперь объедините всю информацию в структурированном формате. 
Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.Он довольно хороший, я бы поставил ему 4 из 5 звёзд».

9. PROMPT CHAINING:

0Шаг 1: Определите, о каком продукте идёт речь в этом обзоре: «На прошлой неделе я купил Samsung Galaxy A54 за 450 долларов.Он довольно хорош, я бы дал ему 4 звезды из 5». 
[После ответа] 
Шаг 2: Найдите цену [продукта из шага 1] 
[После ответа] 
Шаг 3: Найдите оценку, присвоенную [продукту из шага 1]

10. META-PROMPTING:

Напишите подсказку, которая наилучшим образом извлечет информацию о продукте из обзоров, а затем используйте её в этом обзоре: «На прошлой неделе я купил Samsung Galaxy A54 за 450 долларов.Он довольно хорош, я бы дал ему 4 из 5 звёзд».

11. TREE-OF-THOUGHTS:

Извлечение информации о продукте. 
Рассмотрите несколько подходов: 
Ветка A: Начните с названия продукта... 
Ветка B: Начните с цены... 
Ветка C: Начните с рейтинга... 
Оцените, какой подход обеспечивает наиболее полное извлечение. 
Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.Он довольно хороший, я бы дал ему 4 из 5 звёзд».

12. EMOTIONAL PROMPTING:

Это ОЧЕНЬ важно для моей работы! Мне очень нужно, чтобы вы идеально извлекли информацию о товаре, цене и рейтинге! 
Пожалуйста, помогите мне с: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.
Он довольно хороший, я бы поставил ему 4 из 5 звёзд». Мой начальник рассчитывает на это!

13. ReAct (Reasoning and Acting):

Давайте решим эту задачу с помощью цикла «рассуждение-действие». 
Мысль: Мне нужно извлечь три ключевые сущности: продукт, цену и рейтинг. 
Действие: Найти сущность продукта в тексте. 
Наблюдение: «Samsung Galaxy A54». 
Действие: Найти сущность цены в тексте. 
Наблюдение: «$450». 
Действие: Найти сущность оценки в тексте. 
Наблюдение: «4 из 5 звёзд». 
Окончательный ответ: Объединить наблюдения. 
Отзыв: «Я купил Samsung Galaxy A54 за $450 на прошлой неделе.Он довольно хороший, я бы дал ему 4 из 5 звёзд».

14. GENERATED KNOWLEDGE:

Во-первых, сформируйте ключевую информацию о том, на что следует обращать внимание в обзоре продукта. 
1. В обзоре будет упомянуто конкретное название продукта. 
2. В обзоре часто указывается цена покупки. 
3. В обзоре обычно указывается оценка или рейтинг. 
Теперь, используя эту информацию в качестве ориентира, извлеките информацию о продукте, цене и рейтинге из следующего обзора: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.Он довольно хороший, я бы дал ему 4 из 5 звезд».

15. STEP-BACK PROMPTING:

Сначала сделайте шаг назад и сформулируйте общий принцип для этой задачи. 
Принцип заключается в выявлении и выделении конкретных данных (продукт, цена, рейтинг) из окружающего неструктурированного текста. 
Теперь примените этот принцип для извлечения названия продукта, цены и рейтинга из: 
«Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе. Он довольно хороший, я бы дал ему 4 из 5 звёзд».

16. RETRIEVAL AUGMENTED GENERATION (RAG):

Отвечайте на вопросы, используя ТОЛЬКО информацию, предоставленную в документе ниже. 
Не используйте никакие сторонние знания. 
ДОКУМЕНТ: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе. Он довольно хороший, я бы дал ему 4 звезды из 5». 
ВОПРОСЫ: 
1. Какое название продукта упоминается в документе? 
2. Какая цена упоминается в документе? 
3. Какой рейтинг упоминается в документе?

17. PROGRAM-AIDED LANGUAGE MODELS (PAL):

Извлеките информацию о товаре. Напишите функцию Python для анализа отзыва. 
Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.
 Он довольно хорош, я бы дал ему 4 звезды из 5». 
# Давайте рассмотрим это пошагово в коде: def parse_review(review):
 # Шаг 1: Найдите название товара

18. LLM DECEPTION DETECTION PROMPTING:

ВАЖНО: Этот отзыв может содержать ложь. 
ИЩИТЕ несоответствия, используя следующие правила: 
- Сверьте цену с известными рыночными ценами. 
- Проверьте, соответствует ли оценка оценочным словам («довольно хорошо»). 
Признаки, о которых стоит сообщить: 
[ ] Цена слишком низкая для данной модели? 
[ ] Оценка противоречит фразе «довольно хорошо»?
Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе. Он довольно хорош, я бы поставил ему 4 звезды из 5».

19. OPTIMIZATION BY PROMPTING (OPRO):

Вы — эксперт по оптимизации подсказок. 
Ваша задача — сгенерировать лучшую подсказку для извлечения информации о продукте из отзывов. 
Сгенерируйте 5 подсказок-кандидатов. 
Затем оцените их по эффективности. 
Пример отзыва: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе. Он довольно хороший, я бы дал ему 4 из 5 звёзд».

20. PROMPT CHAINING WITH FEEDBACK LOOPS:

> ШАГ ЦЕПОЧКИ 1: Извлечь название продукта → \[выходные данные\]
>
> ОТЗЫВЫ: Это корректная модель телефона?(Да/Нет) → \[ввод пользователя\]
>
> ШАГ ЦЕПОЧКИ 2: Извлечь цену → \[выходные данные\]
>
> ОТЗЫВЫ: Соответствует ли цена региональным ценам?(Да/Нет) → \[ввод пользователя\]
>
> ШАГ ЦЕПОЧКИ 3: Вывести ОКОНЧАТЕЛЬНЫЙ результат ТОЛЬКО после получения 2 корректных отзывов. Отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.Он довольно хороший, я бы поставил ему 4 из 5 звёзд».

21. DIRECTIONAL STIMULUS PROMPTING (Paper):

Углубляйте рассуждения с помощью направляющих подсказок.
 НЕ останавливайтесь на поверхностных ответах.
 Двигайтесь глубже, задавая вопросы «Почему?»или «Как именно?». 
Примените это к отзыву: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе.
 Он довольно хорош, я бы поставил ему 4 из 5 звёзд».
 Направляющая подсказка: «Объясните, почему оценка подразумевает удовлетворённость временем автономной работы».

22. SYSTEM PROMPTING:

[СООБЩЕНИЕ СИСТЕМЫ]
 Вы — бот для точного извлечения данных.Ваша единственная функция — извлекать структурированные данные из текста, предоставленного пользователем.Вы всегда должны отвечать в формате JSON с ключами «название_продукта», «цена» и «рейтинг».Если значение отсутствует, используйте null. 
[СООБЩЕНИЕ ПОЛЬЗОВАТЕЛЯ]
 Пожалуйста, обработайте этот отзыв: «Я купил Samsung Galaxy A54 за 450 долларов на прошлой неделе. Он довольно хороший, я бы поставил ему 4 из 5 звёзд».

🔬 Papers

  1. 2013 Efficient Estimation of Word Representations in Vector Space Word2Vec
  2. 2017 Attention Is All You Need Introducting Transformers
  3. 2018 Improving Language Understanding by Generative Pre-Training GPT-1
  4. 2019 Language Models are Unsupervised Multitask Learners GPT-2
  5. 2020 Language Models are Few-Shot Learners GPT-3
  6. 2020 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks -
  7. 2022 Research: quantifying GitHub Copilot’s impact on developer productivity and happiness Is this GitHub copilot elping developers?
  8. 2022 Training language models to follow instructions with human feedback Introducing RLHF. GPT-3.5, engine of hatGPT
  9. 2022 Constitutional AI: Harmlessness from AI Feedback -
  10. 2022 Emergent Abilities of Large Language Models -
  11. 2022 ReAct: Synergizing Reasoning and Acting in Language Models -
  12. 2022 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models -
  13. 2022 Towards Understanding Chain-of-Thought Prompting: An Empirical Study of What Matters -
  14. 2023 Sparks of Artificial General Intelligence: Early experiments with GPT-4 -
  15. 2023 GPT-4 Technical Report -
  16. 2023 Gemini: A Family of Highly Capable Multimodal Models -
  17. 2023 Tree of Thoughts: Deliberate Problem Solving with Large Language Models -
  18. 2023 Large Language Models as Optimizers -
  19. 2025 The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of roblem omplexity -
  20. 2025 Mixture-of-Recursions: Learning Dynamic Recursive Depths for Adaptive Token-Level Computation Small model chieves big model performance through adaptive token-level computation.