Реализация Chain-of-Thought (CoT) промптинга для LLM

Реализация Chain-of-Thought (CoT) промптинга

Представьте: модель даёт неверный ответ на задачу, требующую логических шагов — расчёт налога, кредитный скоринг, маршрутизация обращений. Chain-of-Thought (CoT) промптинг заставляет модель явно выписывать цепочку рассуждений, резко повышая точность. В одном из наших проектов для банковского клиента мы внедрили Few-shot CoT и получили прирост accuracy с 72% до 91%. Это не магия, а эксплуатация умения LLM работать по аналогии.

Модели GPT-4o и Claude 3.5 обучались на текстах с рассуждениями. CoT превращает задачу в серию простых подзадач. Эффект особенно заметен на multi-step reasoning: математика, логика, классификация со сложными критериями. Мы используем три основных варианта, каждый под конкретную ситуацию.

Zero-shot CoT: быстрое улучшение

Самый простой вариант — добавить к вопросу инструкцию "Думай шаг за шагом". Этого часто достаточно для улучшения.

from openai import OpenAI

client = OpenAI()

def cot_query(question: str, think_step_by_step: bool = True) -> str:
    if think_step_by_step:
        question += "\n\nДумай шаг за шагом перед тем как дать финальный ответ."
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": question}],
        temperature=0,
    )
    return response.choices[0].message.content

# Сравнение
question = "Компания продала 1200 товаров по 850 руб. Скидка для заказов > 1000 единиц — 15%. Какова итоговая выручка?"

print(cot_query(question, think_step_by_step=False))  # Прямой ответ — риск ошибки
print(cot_query(question, think_step_by_step=True))   # С рассуждением — точнее

Few-shot CoT: примеры для сложных задач

Отметим: когда одного "думай шаг за шагом" мало, добавляем 2–3 примера с разобранными шагами.

FEW_SHOT_COT_EXAMPLES = [
    {
        "question": "Склад: 500 единиц. Продано 30% в понедельник, 20% от остатка во вторник. Сколько осталось?",
        "reasoning": """Шаг 1: Продано в понедельник: 500 × 0.30 = 150 единиц
Шаг 2: Остаток после понедельника: 500 - 150 = 350 единиц
Шаг 3: Продано во вторник: 350 × 0.20 = 70 единиц
Шаг 4: Финальный остаток: 350 - 70 = 280 единиц""",
        "answer": "280 единиц",
    },
    {
        "question": "Если A > B и B > C, а C = 10, A = 25, верно ли что B находится между 10 и 25?",
        "reasoning": """Шаг 1: Дано: A > B > C, C = 10, A = 25
Шаг 2: Из A > B следует B < 25
Шаг 3: Из B > C следует B > 10
Шаг 4: Значит 10 < B < 25""",
        "answer": "Да, B находится между 10 и 25",
    },
]

def build_few_shot_cot_prompt(examples: list[dict], question: str) -> str:
    prompt_parts = []
    
    for ex in examples:
        prompt_parts.append(f"""Вопрос: {ex['question']}

Рассуждение:
{ex['reasoning']}

Ответ: {ex['answer']}

---""")
    
    prompt_parts.append(f"Вопрос: {question}\n\nРассуждение:")
    return "\n\n".join(prompt_parts)

Few-shot CoT превосходит Zero-shot: на тестовом датасете из 1000 логических задач Zero-shot дал 85% accuracy, Few-shot — 93%. Прирост за счёт явной демонстрации паттерна рассуждения.

Structured CoT для бизнес-кейсов

Отметим: когда требуется строгая проверяемость, используем шаблон с этапами.

STRUCTURED_COT_TEMPLATE = """Ты — аналитик, решающий задачи методично.

Для каждой задачи:
1. ПОНИМАНИЕ: Что нужно найти? Какие данные даны?
2. ПЛАН: Опиши шаги решения
3. ВЫПОЛНЕНИЕ: Реши пошагово с промежуточными результатами
4. ПРОВЕРКА: Проверь логичность ответа
5. ОТВЕТ: Итоговый ответ в одном предложении

Задача: {task}"""

# Применение для кредитного скоринга
credit_decision = client.chat.completions.create(
    model="gpt-4o",
    messages=[{
        "role": "system",
        "content": STRUCTURED_COT_TEMPLATE.format(
            task="""Клиент запрашивает кредит.
Данные: доход 85 000 руб/мес, расходы 45 000 руб/мес, кредитная история — 1 просрочка 2 года назад (7 дней), текущих кредитов нет, стаж работы 3 года.
Одобрить ли кредит на 500 000 руб на 3 года?"""
        )
    }],
    temperature=0,
)

CoT для классификации с обоснованием

async def classify_with_reasoning(
    text: str,
    categories: list[str],
    criteria: dict[str, str],
) -> dict:
    """Классификация с объяснением через CoT"""
    
    criteria_text = "\n".join([f"- {cat}: {desc}" for cat, desc in criteria.items()])
    
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": f"""Классифицируй текст в одну из категорий.

Категории и критерии:
{criteria_text}

Текст: {text}

Рассуждай вслух:
1. Какие признаки присутствуют в тексте?
2. Какой категории они соответствуют?
3. Есть ли противоречивые признаки?
4. Итоговая категория и уверенность

Верни JSON: {{"category": "...", "confidence": 0.0-1.0, "reasoning": "краткое обоснование"}}"""
        }],
        temperature=0,
        response_format={"type": "json_object"},
    )
    
    return json.loads(response.choices[0].message.content)

Ограничения применения CoT

CoT повышает качество на задачах с многошаговым выводом, но:

• Для простых фактических вопросов он избыточен и медленнее.
• Для творческих задач — ограничивает вариативность.
• При стримминге пользователь видит «думание» перед ответом.

Используйте CoT для: сложных вычислений, логических выводов, классификации со сложными критериями, диагностики проблем. Например, в обработке обращений техподдержки Structured CoT сократил среднее время решения на 40%. Свяжитесь с нами, чтобы оценить эффект для ваших задач.

Процесс внедрения CoT

1. Анализируем ваши задачи и выбираем подходящий вариант (Zero-shot, Few-shot, Structured).
2. Проектируем промпты с учётом domain-specific терминов.
3. Реализуем на вашем стеке (OpenAI, Anthropic, открытые модели).
4. Тестируем на A/B выборке, измеряем прирост accuracy и время ответа.
5. Деплоим в продакшен с мониторингом дрейфа.

Что входит в работу

• Исследование: какие задачи выигрывают от CoT
• Создание датасета примеров для Few-shot CoT
• Написание и оптимизация промптов
• Интеграция в пайплайн инференса
• Документация промптов и результатов тестирования
• Обучение команды работе с CoT
• Настройка мониторинга качества в продакшене

Мы работаем с моделями GPT-4o, Claude 3.5, LLaMA 3, Mistral. Опыт более 5 лет в NLP и MLOps. Гарантируем фиксированную стоимость и сроки. Закажите внедрение CoT — получите прирост точности до 25% уже в первую неделю.

Сравнение вариантов CoT

Сроки и стоимость

Стоимость рассчитывается индивидуально под ваш объём данных и сложность интеграции. Оценим проект за 1 день после брифа. Для точного расчёта свяжитесь с нами — предоставим eval на ваших данных.

Как Structured CoT повышает доверие к LLM?

Structured CoT даёт полную прослеживаемость решения. Каждый шаг фиксируется, что позволяет аудиторам проверять логику. Это критично для финансовых и медицинских задач, где требуется объяснение. В одном из внедрений для страховой компании Structured CoT позволил сократить долю ручных проверок на 25%.

Почему стоит заказать внедрение CoT у нас?

• 5+ лет коммерческого опыта в AI/ML
• Более 30 внедрений RAG и LLM-решений
• Гарантируем фиксированную стоимость и сроки
• Используем собственные best practices по промптингу

Получите консультацию — мы поможем подобрать оптимальный вариант CoT для ваших задач.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.