[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-automatic-prompt-optimization::ru":3,"gloss-cluster-automatic-prompt-optimization::ru":26,"gloss-next-automatic-prompt-optimization::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"automatic-prompt-optimization","prompt-eng","Автоматическая оптимизация промптов","Автоматическая оптимизация промптов — практика, при которой промпты пишет и улучшает за вас процедура поиска или другая модель, а не ручная подгонка формулировок методом проб и ошибок. Метод Automatic Prompt Engineer (Zhou et al., 2022) показал, что LLM может предлагать варианты инструкций, оценивать их на примерах и оставлять лучшие; фреймворки вроде DSPy идут дальше и компилируют и настраивают целые цепочки промптов под метрику. Базовый цикл всегда один: размеченный датасет, функция оценки (точное совпадение, LLM-судья или прикладная метрика) и поиск по вариантам промпта, максимизирующий оценку. Это важно, потому что качество промпта — сильный рычаг, но ручная оптимизация не масштабируется на множество задач, моделей и локалей и незаметно «протухает» при смене модели. Для разработчиков: относитесь к промптам как к артефактам, которые оптимизируют против набора оценки, а не как к тексту, который шлифуют «на глаз». Оговорка: нужны надёжная метрика и достаточно примеров, иначе оптимизатор переобучится на шум и «улучшит» не то.","Автоматическая оптимизация промптов поручает поиску или другой модели писать и оценивать промпты на примерах вместо ручной подгонки формулировок.",null,[11,14,17,20,23],{"slug":12,"name":13},"golden-dataset","Золотой датасет",{"slug":15,"name":16},"llm-as-judge","LLM в роли судьи (LLM-as-Judge)",{"slug":18,"name":19},"meta-prompt","Мета-промпт",{"slug":21,"name":22},"prompt-engineering","Инженерия промптов (Prompt Engineering)",{"slug":24,"name":25},"prompt-testing","Тестирование промптов (Prompt Testing)",[27,31,34,38,41,44,47,50,53,56,59,62],{"slug":28,"category":5,"name":29,"updated_at":30},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":32,"category":5,"name":33,"updated_at":30},"chain-of-density","Цепочка плотности (CoD)",{"slug":35,"category":5,"name":36,"updated_at":37},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":39,"category":5,"name":40,"updated_at":30},"chain-of-verification","Chain-of-Verification",{"slug":42,"category":5,"name":43,"updated_at":37},"chunking","Чанкинг (Chunking)",{"slug":45,"category":5,"name":46,"updated_at":37},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":48,"category":5,"name":49,"updated_at":37},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":51,"category":5,"name":52,"updated_at":37},"delimiter","Разделитель (Delimiter)",{"slug":54,"category":5,"name":55,"updated_at":30},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":57,"category":5,"name":58,"updated_at":30},"emotion-prompting","Emotion Prompting",{"slug":60,"category":5,"name":61,"updated_at":37},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)",{"slug":63,"category":5,"name":64,"updated_at":30},"generated-knowledge-prompting","Generated Knowledge Prompting"]