Призма + LLM¶

Как использовать LLM (ChatGPT, Claude, Gemini и др.) в рамках методологии Призма — чтобы модель давала полезный результат, а не «похожий на правду» текст.

Главное правило¶

LLM — ускоритель, а не замена

Модель хорошо генерирует гипотезы () и помогает найти направление поиска, но не производит факты (). Любой ответ LLM без ссылки на проверяемый первоисточник — это гипотеза или пробел, пока не подтверждён свидетельством.

Где LLM полезна, а где опасна¶

Задача	Польза	Почему
Холодный старт: стартовый словарь С1 (глоссарий, карта области)		Идеальная точка входа — быстро даёт стартовую карту: термины, синонимы, структуру
С3: поиск типов свидетельств		Хорошо подсказывает, какие стандарты, реестры и базы данных существуют
У1: генерация сценариев и типовых задач		Хорошо перечисляет типовые задачи, роли, pain points
У1: модель влияния		Может предложить структуру, но причинно-следственные связи нужно верифицировать
У2: сравнение подходов		Даёт первичное сравнение, но оценки нужно проверять по S1–S3
У2: поиск стандартов		Хорошо знает названия и номера стандартов (но может галлюцинировать!)
У3: типовые отказы, анти-паттерны		Хорошо собирает «что обычно ломается» из обучающих данных
Генерация вопросов (мета-промпт)		Лучший способ использования — просить не ответы, а вопросы
Проверка конкретных фактов		Может уверенно врать. Всегда проверяй по первоисточнику
Генерация числовых данных		Часто выдумывает цифры. Никогда не бери числа из LLM без проверки

LLM для холодного старта¶

Когда область полностью незнакома, LLM — лучший инструмент для первых 30 минут:

Промпт 1: Стартовая карта области¶

Я исследую область [ТЕМА] с нуля и не знаю ни одного термина.

Задача: составь стартовую карту области:
1. Глоссарий из 20–30 ключевых терминов (определение + синонимы на русском и английском)
2. Карта области: из каких подсистем состоит, какие роли/акторы, где границы
3. Типы первичных документов и артефактов, существующих в этой области
   (стандарты, протоколы, реестры, базы данных — не блоги и статьи)

Формат: таблица для терминов, структурированный текст для карты.
Не пиши вводных фраз, сразу к делу.

ВАЖНО: если не уверен в точном номере стандарта или названии —
укажи это явно. Лучше «предположительно ISO XXXX» чем уверенно неправильный номер.

Промпт 2: Выход на свидетельства (С3)¶

Область: [ТЕМА].

Какие типы первичных документов и артефактов существуют в этой области?
Интересуют:
- стандарты (ГОСТ, ISO, отраслевые)
- типовые протоколы / отчёты / реестры
- базы данных и публичные реестры
- типовая документация (ТУ, паспорта, сертификаты)

Для каждого типа укажи:
- что это за документ
- кто его создаёт
- где искать (публичный доступ или нет)
- конкретные примеры (названия, номера)

Не включай блоги, статьи и вторичные источники — только первичные артефакты.

ВАЖНО: если не уверен в точном номере стандарта — укажи это явно,
не выдумывай.

Промпты по уровням¶

У1 — ОриентацияУ2 — АнализУ3 — Валидация

Сценарии и типовые задачи (С2):

Область: [ТЕМА].
Я уже знаю: [вставь ключевые термины и границы].

Задача: опиши 10–20 типовых сценариев / задач в этой области.
Для каждого сценария:
- кто пользователь / актор
- какая проблема решается
- что является KPI / мерой успеха
- какие ограничения

Сгруппируй по категориям. Формат: таблица.

Модель влияния:

Область: [ТЕМА].
Контекст: [вставь сценарии].

Задача: построй модель влияния — что на что влияет.
Выдели 3–5 главных «рычагов», определяющих результат.
Для каждого:
- что он определяет
- от чего зависит сам
- как можно на него повлиять

Формат: структурированный текст с иерархией.

Сравнение подходов:

Область: [ТЕМА].
Вопрос: [КОНКРЕТНЫЙ ВОПРОС ВЫБОРА].

Контекст: вот мои критерии сравнения:
[вставь критерии из модели влияния]

Задача: сравни подходы по этим критериям.
Для каждой ячейки таблицы:
- оценка (и краткое обоснование)
- на чём основана: стандарт, исследование, общее знание?
- уровень уверенности: факт / гипотеза / не знаю

ВАЖНО: если не знаешь точного ответа — пиши «не знаю», не выдумывай.

Формат: сравнительная таблица.

Поиск стандартов:

Область: [ТЕМА], контекст: [СТРАНА / РЕГИОН].

Какие стандарты, нормативные документы и регуляторные требования
действуют в этой области?

Интересуют:
- обязательные стандарты (ГОСТ, ISO, отраслевые)
- добровольные стандарты и best practices
- требования к сертификации / лицензированию

Для каждого: номер, название, что регулирует, статус (действующий/устарел).

ВАЖНО: если не уверен в точном номере — укажи это.

Типовые отказы и анти-паттерны:

Область: [ТЕМА].
Контекст: [метод/подход, который рассматриваю].

Задача: опиши типичные типовые отказы / что обычно идёт не так.

Для каждого:
- что ломается
- почему (корневая причина)
- как обнаружить (на что смотреть)
- как предотвратить

Формат: таблица.

Метрики и бенчмарки:

Область: [ТЕМА].
Контекст: [что нужно оценить].

Задача: какие метрики и бенчмарки используются для оценки
эффективности в этой области?

Для каждой метрики:
- что измеряет
- как измеряется (методика)
- какие типичные значения (baseline)
- где найти бенчмарки (источники)

ВАЖНО: если не знаешь конкретных значений — так и напиши.

Мета-промпт: генерация вопросов вместо ответов¶

Один из самых сильных способов использовать LLM в Призме — просить не ответы, а вопросы:

Я выбираю между [ВАРИАНТ A] и [ВАРИАНТ B] для задачи [ЗАДАЧА].

Не давай мне ответ. Вместо этого:
составь список из 10–15 вопросов, ответы на которые
позволят сделать обоснованный выбор.

Для каждого вопроса укажи:
- где искать ответ (тип источника)
- почему этот вопрос важен для выбора

Почему это работает

LLM не знает реальных данных твоей области, но хорошо знает структуру принятия решений. Вопросы от LLM → поиск ответов в S1–S3 источниках → обоснованный выбор.

Паттерны итеративной работы¶

Уточнение через контекст¶

Первый ответ LLM — черновик. Каждый следующий запрос точнее, потому что ты вкладываешь контекст:

Шаг 1: «Расскажи об области X» → получаешь стартовую карту
Шаг 2: «Вот что я уже нашёл: [термины, источники]. Уточни модель с учётом этого»
Шаг 3: «Я обнаружил противоречие: [А] говорит одно, [Б] — другое. Какие вопросы помогут разобраться?»

Правило

Чем больше ты даёшь из уже найденного (термины, границы, критерии, свидетельства), тем точнее ответ. Пустой запрос «расскажи про X» — худший формат.

Верификация через перекрёстные запросы¶

Чтобы снизить риск галлюцинаций, спроси одно и то же разными способами:

Прямой вопрос: «Какой стандарт регулирует X?»
Обратный вопрос: «Вот стандарт Y — он действительно регулирует X?»
Контрольный вопрос: «Какие стандарты НЕ относятся к X, но часто путаются?»

Если ответы согласуются — выше вероятность, что информация верна. Если расходятся — красный флаг, нужна проверка по первоисточнику.

Генерация гипотез для триангуляции¶

Я утверждаю, что [УТВЕРЖДЕНИЕ].
Это основано на [ИСТОЧНИК].

Задача:
1. Какие факты подтвердили бы это утверждение?
2. Какие факты опровергли бы его?
3. Где искать и то, и другое?

Не оценивай само утверждение — помоги найти способ его проверить.

LLM с веб-поиском: правило наследования источника¶

Современные LLM умеют искать в интернете и давать ссылки. Это меняет статус ответа — но не отменяет проверку:

Ситуация	Уровень источника
Ответ LLM без ссылок	S7 — структура / факты
Ответ LLM со ссылкой, которую ты не открывал	Всё ещё S7 — ссылка может быть нерелевантной, неточно пересказанной или выдуманной
Ответ LLM со ссылкой, которую ты открыл и проверил	Уровень самого источника по ссылке (S1–S6) — LLM была просто поисковиком

Правило наследования

Ссылка, добытая LLM, наследует уровень источника, на который указывает, — после того как ты открыл её и убедился, что она действительно подтверждает утверждение. Непроверенная ссылка ничего не наследует: пересказ источника — не источник. В рабочую запись заноси ссылку на первоисточник, а не на диалог с LLM.

Перекрёстные запросы (спросить одно и то же 2–3 способами) снижают риск галлюцинаций, но не заменяют проверку первоисточника: модель может ошибаться согласованно. Согласованность ответов — повод повысить приоритет проверки, а не уверенность.

Правила работы с ответами LLM¶

Всё от LLM — это или по умолчанию. Структурная информация (термины, карта области, классификации) — гипотеза. Конкретные факты (номера стандартов, даты, числа) — пробел, пока не подтверждены свидетельством (S1–S3).
Номера и цифры — проверяй всегда. LLM регулярно путает номера стандартов, даты, числовые значения. Одна ошибка в номере ГОСТа — и ты ссылаешься на несуществующий документ.
Проси «не знаю» вместо выдумки. Добавляй в промпт: «если не знаешь точного ответа — напиши "не знаю"». Это снижает (но не устраняет) галлюцинации.
Вставляй свой контекст. Чем больше ты даёшь из уже найденного, тем точнее ответ. Пустой запрос «расскажи про X» — худший формат.
Используй LLM для вопросов, а не ответов. Вместо «какой метод лучше?» спроси: «какие вопросы нужно задать, чтобы выбрать между методами A и B?»
Итерируй. Первый ответ — черновик. Скорми LLM свои уточнения, найденные свидетельства, противоречия — и попроси переработать.
Один промпт — одна задача. «Составь глоссарий + сравни методы + найди стандарты» в одном запросе → плохой результат по каждому пункту.
Верифицируй перекрёстно. Спроси одно и то же 2–3 разными способами. Расхождения — сигнал к проверке по первоисточнику.

Чеклист верификации ответа LLM¶

Перед тем как перенести что-то из ответа LLM в рабочую запись:

Названия / номера стандартов — проверены в первоисточнике?
Числовые значения — подтверждены свидетельством?
Термины — совпадают с глоссарием? Нет ли «выдуманных» терминов?
Причинно-следственные связи — есть источник?
Светофор присвоен? (по умолчанию , повышается только после верификации)
Перекрёстная проверка проведена? (спросил разными способами)