Generate Knowledge
Подумай перед ответом
Проблема: Иногда ИИ нужны фоновые знания для хорошего ответа, но этих знаний нет в промпте. Как помочь ИИ получить доступ к своим релевантным знаниям?
Решение: Мозговой штурм перед ответом
Generate Knowledge просит ИИ сначала сгенерировать релевантные факты и контекст, затем использовать их как фон для ответа на вопрос. Это как мозговой штурм того, что вы знаете, перед решением задачи. Метод усиливает Chain-of-Thought, обогащая контекст, и в отличие от RAG извлекает знания из самой модели.
Представьте это как сессию мозгового штурма:
- 1. Вопрос: "Стекло — это твёрдое тело или жидкость?"
- 2. Генерируем знания: "Стекло — аморфное твёрдое тело... молекулы не текут..."
- 3. Используем знания: Включаем сгенерированные факты в контекст
- 4. Отвечаем: Более точный ответ с правильным фоном
Где это используется?
- Научные вопросы: Генерация релевантного научного фона
- Рассуждения здравого смысла: Превращение неявных знаний в явные
- Задачи на знания: Вспоминание релевантных фактов сначала
- Задачи на написание: Генерация исследования перед черновиком
Интересный факт: Эта техника имитирует мышление людей! Мы часто "разогреваем" память, вспоминая связанные факты перед ответом. Исследования показывают, что это улучшает точность на задачах здравого смысла на 5-10%.
Попробуйте сами!
Используй интерактивный пример ниже, чтобы увидеть, как генерация знаний сначала приводит к более информированным и точным ответам.
Генерация знаний (Generate Knowledge)
Сначала сгенерируй релевантные знания, затем используй их для ответа
Часть гольфа — пытаться набрать больше очков, чем другие. Да или Нет?
Как это работает
Когда использовать Generate Knowledge
- • Вопросы, требующие специфических фактов
- • Задачи здравого смысла (commonsense reasoning)
- • Когда прямой ответ может быть неточным
- • Для повышения точности без внешних источников
Сгенерируй 3-5 фактов, которые помогут ответить на вопрос:
"{question}"
Факты должны быть релевантными и точными.Используя следующие знания:
{generated_knowledge}
Ответь на вопрос: "{question}"Техника описана в статье "Generated Knowledge Prompting for Commonsense Reasoning" (Liu et al., 2022). Исследования показали улучшение на 3-5% на бенчмарках здравого смысла по сравнению с прямыми ответами.
| Аспект | Прямой ответ | Generate Knowledge | RAG |
|---|---|---|---|
| Источник знаний | Внутри модели | Внутри модели (явно) | Внешние документы |
| Инфраструктура | Не нужна | Не нужна | Векторная БД |
| Актуальность | До даты обучения | До даты обучения | Актуальная |
| Точность | Базовая | Улучшенная (+3-5%) | Высокая |
Попробуй сам
Интерактивное демо этой техники
Ответить на вопрос: стекло — это жидкость или твёрдое тело?
Стекло — это жидкость, которая течёт очень медленно. Поэтому старые оконные стёкла толще внизу.
Сначала сгенерирую ключевые факты:
- Стекло — аморфное твёрдое тело, его молекулы не образуют кристаллическую решётку.
- При охлаждении расплава стекло проходит стеклование — переход в твёрдое состояние без кристаллизации.
- Миф о «текущих стёклах» опровергнут: неравномерная толщина старых стёкол — результат технологии производства, а не течения.
- Вязкость стекла при комнатной температуре настолько велика, что заметное течение заняло бы больше возраста Вселенной.
Ответ: Стекло — это аморфное твёрдое тело. Распространённый миф о том, что стекло — это медленно текущая жидкость, не подтверждается наукой.
Без генерации знаний модель воспроизвела популярный миф. Предварительная генерация фактов активировала точные научные знания и помогла отфильтровать заблуждения.
Создайте бесплатный аккаунт для решения челленджей
6 челленджей с AI-проверкой для этого урока
Этот урок — часть структурированного курса по LLM.
Мой путь обучения