Промисловий Prompt Engineering: стабільні відповіді LLM під ключ

Реалізація Prompt Engineering для AI-системи

Впровадили LLM у чат-бот підтримки — і отримали 40% галюцинацій? Знайома ситуація. Один із наших клієнтів, fintech-стартап, витратив місяць на розробку чат-бота для кредитних консультацій. Промпт писав стажер за годину — результат: 40% відповідей містили невірні дані про відсоткові ставки та терміни. Ми за два тижні спроектували багаторівневий промпт з анти-галюцинаційною інструкцією, верифікацією через chain-of-verification та few-shot прикладами. Галюцинації знизилися до 3%, точність підвищилася з 55% до 94%, а p95 latency зменшився у 2 рази. За 5 років роботи з AI-системами ми виробили підхід, який дає передбачуваний p95 latency і точність >95% на production-навантаженнях.

Prompt Engineering — дисципліна конструювання вхідних даних для LLM з метою отримання передбачуваних, якісних результатів. Включає структурування запитів, керування контекстом, вибір технік (CoT, Few-Shot, ReAct), налаштування параметрів та ітеративне калібрування.

Чому стандартні промпти не працюють у production?

Часта помилка — промпти, написані розробником за десять хвилин. Вони дають прийнятну відповідь на 2–3 ручних тестах, але провалюються на реальному навантаженні. Основні проблеми:

• Hallucination — модель домислює те, чого немає в контексті. Без анти-галюцинаційних інструкцій до 30% відповідей містять хибні факти.
• Контекстна чутливість — маленька зміна формулювання змінює відповідь повністю. Температура та top-p, не прив'язані до типу завдання, створюють невідтворюваність.
• Відсутність обробки помилок — при відсутності даних модель не каже «не знаю», а вигадує відповідь.

Ми прибираємо ці проблеми через структуровані шаблони, верифікацію та A/B тести.

Як знизити відсоток галюцинацій у LLM?

Ключовий прийом — chain-of-verification: модель спочатку генерує відповідь, потім перевіряє кожне твердження на відповідність контексту. Ми додаємо системний промпт, який забороняє домислювати і вводить поріг впевненості. Додатково використовуємо few-shot приклади з граничними кейсами. У production це дає зниження hallucination rate з 20% до 2–3%. Згідно з рекомендаціями OpenAI, структуровані промпти знижують кількість галюцинацій на 30–50%.

ANTI_HALLUCINATION_ADDENDUM = """
ВАЖЛИВО: Відповідай лише на основі наданого контексту.
Якщо інформації немає в контексті — скажи: "У мене немає даних з цього питання."
Не домислюй і не роби припущень.
Якщо впевнен < 80% — вкажи ступінь невизначеності.
"""

async def answer_with_verification(question: str, context: str) -> dict:
    answer = query_llm(
        f"Контекст:\n{context}\n\nПитання: {question}",
        system=f"Ти — аналітик. {ANTI_HALLUCINATION_ADDENDUM}",
    )
    verification = query_llm(
        f"Вихідна відповідь: {answer}\n\nПитання: Чи всі твердження у відповіді підтверджені контекстом? Дай відповідь JSON: {{\"verified\": bool, \"unsupported_claims\": [...]}}",
        temperature=0,
    )
    return {"answer": answer, "verification": json.loads(verification)}

Як ми проектуємо промислові промпти

Процес починається не з коду, а з аналізу очікувань: що повинен робити промпт, які граничні випадки, як вимірювати якість. Збираємо 100–200 репрезентативних запитів, розмічаємо ідеальну відповідь. Тільки потім пишемо перший baseline.

Рольова модель і контекст

Системний промпт будується за схемою: «Ти — [роль]. Завдання — [мета]. Контекст — [умови, дані]. Правила — [що можна, що не можна]. Формат виведення — [явний формат]». Для RAG додаємо вказівник на джерело. Приклад:

SYSTEM_PROMPT = """Ти — {role}.

Завдання: {task_description}

Правила:
{rules}

Формат відповіді:
{output_format}"""

A/B тестування і метрики

Кожен варіант промпту перевіряємо на eval-сеті за допомогою LLM-as-judge. Порівнюємо за точністю, повнотою, стилем. Приклад класу для тестів:

class PromptABTest:
    def __init__(self, variants: dict[str, str]):
        self.variants = variants
        self.results = {name: [] for name in variants}

    def run_test(self, test_inputs: list[str], judge_prompt: str) -> dict:
        for input_text in test_inputs:
            outputs = {}
            for name, prompt in self.variants.items():
                output = query_llm(input_text, system=prompt)
                outputs[name] = output

            comparison = query_llm(
                f"""Порівняй дві відповіді на запит: "{input_text}"

Варіант A: {outputs[list(outputs.keys())[0]]}
Варіант B: {outputs[list(outputs.keys())[1]]}

{judge_prompt}
Поверни JSON: {{\"winner\": \"A\"|\"B\"|\"tie\", \"reason\": \"...\"}}""",
                temperature=0,
            )
            result = json.loads(comparison)
            winner = result["winner"]
            if winner != "tie":
                winning_name = list(self.variants.keys())[0 if winner == "A" else 1]
                self.results[winning_name].append(1)

        return {name: sum(wins) / len(test_inputs) for name, wins in self.results.items()}

Покрокова інструкція з калібрування промпту

1. Визначте мету та метрики: точність, повнота, latency, hallucination rate.
2. Зберіть eval-сет: 100–200 реальних запитів з еталонними відповідями.
3. Створіть baseline: простий промпт з рольовою моделлю та базовими правилами.
4. Ітеративно покращуйте: для кожної проблеми додавайте інструкції, few-shot приклади, перевірки.
5. A/B тестування: порівняйте variant vs control на тіньовому трафіку, оберіть кращий.

Порівняння технік prompt engineering

Що входить у роботу

Після калібрування ви отримуєте:

• Шаблони промптів у форматі JSON/YAML з коментарями.
• Eval-сет із 200+ прикладів з еталонними відповідями.
• Звіт з метриками: точність, recall, hallucination rate, latency p99.
• A/B тестування на тіньовому трафіку (опціонально).
• Навчання команди: 2–4 години воркшопу з підтримки та доопрацювання промптів.
• Гарантію стабільності: якщо після впровадження якість падає, ми безкоштовно коригуємо промпт протягом місяця.

Порівняння підходів: One-shot vs Iterative

Iterative підхід з метриками у 2–3 рази ефективніший за одноразове написання — це підтверджено на 50+ проектах.

Терміни та результати

• Базовий промпт для конкретного use case: 1–3 дні.
• A/B тестування з eval-сетом: 3–5 днів.
• Production-промпт з верифікацією та документацією: 7–10 робочих днів.

Вартість розраховується індивідуально — залежить від складності завдання та кількості промптів. Типовий проект коштує від $1500 до $4000. Економія на виправленні галюцинацій може сягати $10 000 на місяць. Оцінка займає 1 день: ви описуєте юзкейс, ми аналізуємо та пропонуємо план.

Хочете стабільну роботу LLM? Зв'яжіться з нами, щоб ми проаналізували ваш поточний промпт та запропонували покращення за 1 день. Замовте аудит промпту — отримайте детальний звіт з метриками та рекомендаціями. Отримайте консультацію щодо вашого промпту вже сьогодні.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.