Ошибки из-за отсутствующего контекста

Модели ИИ знают очень многое благодаря обучающим данным, но им ничего не известно о вашей конкретной ситуации, если вы не расскажете о ней. Запросы, предполагающие наличие неизвестных модели сведений, приводят к ответам, в целом правильным, но бесполезным в конкретной ситуации.

«Исправьте ошибку». — Какую ошибку? В каком коде? Что код делает сейчас? Что он должен делать вместо этого?

Модель придумает ответ, а не сообщит, что ей не хватает информации. Такой выдуманный ответ почти никогда не соответствует тому, что вам нужно.

Если вы не предоставите эти сведения, модель не знает:

• Ваш конкретный код, проект или документ
• Вашу компанию, продукт, бренд или клиентов
• Диалог, который состоялся у вас в предыдущем сеансе (каждый диалог начинается заново)
• Что вы уже пробовали и почему это не сработало
• Ваши личные предпочтения, стиль или стандарты
• Подготовку вашей аудитории
• Ограничения вашей среды (набор технологий, бюджет, срок)

Всё, что модели известно о вашей задаче, должно поступать из текущего диалога.

«Исправьте ошибку» — классический запрос с отсутствующим контекстом. Модель не получает информации о следующем:

• Какой используется язык или программная платформа
• Что должен делать код
• Что код делает на самом деле (проявление проблемы)
• Какая ошибка или неправильный результат появляется
• Что уже пробовали и что не сработало

Полный запрос на исправление ошибки содержит все пять элементов: «Эта функция Python должна возвращать сумму всех четных чисел в списке, но возвращает 0 для [2,4,6]. Вот код: [вставьте код]. Ошибка: ...»

«Продолжите с того места, на котором мы остановились». — Распространенная ошибка, показывающая фундаментальное непонимание: модель не сохраняет память между сеансами.

Каждый новый диалог начинается полностью заново. У модели нет доступа к предыдущим диалогам, даже если вы использовали ту же учетную запись или тот же инструмент. Если нужен контекст из предыдущего сеанса, его необходимо явно вставить в текущий диалог.

Некоторые инструменты, например «Проекты Claude» или пользовательские системы памяти, предоставляют контекст между сеансами, но это функция инструмента, а не встроенная способность модели.

Распространенная ошибка, связанная с контекстом, — предположение, что модель разделяет ваши неявные фоновые знания:

• «Сделайте это в соответствии с нашим брендом» (с каким брендом? каковы рекомендации по бренду?)
• «Напишите это так же, как в прошлый раз» (у модели нет доступа к прошлому диалогу)
• «Используйте тот же формат, что и в остальных отчетах» (вставьте формат или пример отчета)
• «Сохраните соответствие тому, что мы обсуждали» (если это новый диалог, обсуждения еще не было)

Решение всегда одно: сделайте неявное явным. Укажите, какие сведения, по вашему предположению, уже известны модели.

Добавление контекста означает явное предоставление фоновой информации, необходимой модели для правильного ответа. Существуют три основных способа:

Вставьте релевантное содержимое: добавьте код, документ, письмо или данные непосредственно в запрос.

Опишите ситуацию: перед инструкцией к задаче изложите релевантный контекст в 2–5 предложениях.

Укажите ограничения: упомяните среду, набор технологий, аудиторию и все важные решения, принятые ранее.

Добавление контекста превращает общие знания модели в ответы, учитывающие конкретную ситуацию.

Для сложных задач структурируйте контекст с помощью озаглавленных разделов, расположенных перед инструкцией к задаче:

Не вся информация контекста одинаково ценна. Слишком малый объем контекста приводит к общему результату, а слишком большой скрывает важные сведения среди лишнего материала и может отодвинуть саму инструкцию к задаче слишком далеко вниз в запросе.

Настраивайте глубину контекста, задавая себе вопрос: что должен знать вдумчивый эксперт-человек, чтобы хорошо выполнить эту задачу?

• Включайте: аудиторию, цель, ограничения, специализированную терминологию и важные решения, принятые ранее
• Исключайте: сведения, которые и так известны всем, нерелевантную историю и второстепенные детали

Полезное правило: контекст должен быть достаточно конкретным, чтобы посторонний человек не мог использовать его для другой компании или ситуации.

Поскольку модель не сохраняет память между сеансами, решением может стать повторно используемый вводный блок контекста — стандартный блок сведений, который вы вставляете в начало каждого сеанса по регулярно обсуждаемой теме:

Одна из связанных с отсутствием контекста ошибок — неполная спецификация: вы предоставляете часть контекста, но недостаточно для обработки моделью крайних случаев.

Пример: «Напишите функцию, которая фильтрует пользователей по статусу подписки».

Какова структура данных? Какие значения статуса допустимы? Что должно произойти с пользователями без статуса? Нужно ли учитывать регистр? Что функция должна возвращать, если список пуст?

Модель сделает предположения по каждому из этих вопросов. Они могут оказаться неверными. Полные спецификации явно учитывают крайние случаи.

Для запросов, связанных с кодом, минимальный набор контекста позволяет стабильно получать полезный результат:

• Язык и версия: Python 3.11, TypeScript 5.0
• Платформа: FastAPI, Next.js, React Native
• Что должен делать код: ожидаемые входные и выходные данные
• Что код делает неправильно сейчас: проявление проблемы и сообщение об ошибке
• Что уже пробовали: это помогает не повторять подходы, которые уже не сработали
• Ограничения: нельзя использовать внешние зависимости, выполнение должно занимать менее 50 мс

Этот минимальный набор устраняет наиболее распространенные причины, по которым предложения кода от ИИ оказываются в целом правильными, но неверными в вашем конкретном контексте.

Разработчик отправляет такой запрос: «Помогите мне оптимизировать это», не предоставляя никакой другой информации. Как точнее всего описать то, что произойдет?

Ошибки из-за отсутствия контекста возникают, когда запрос предполагает наличие у модели сведений, которых у неё нет: о вашем коде, бренде, предыдущих сеансах и решениях вашей команды. Модель заполняет эти пробелы предположениями, создавая общий или неправильный результат.

Решение — добавить контекст: вставить релевантное содержимое, описать ситуацию и явно указать ограничения. Для регулярно повторяющихся задач повторно используемый вводный блок контекста решает проблему памяти между сеансами. В задачах с кодом всегда указывайте язык, платформу, входные и выходные данные, текущее поведение и ограничения.

На заключительном уроке этого курса вы объедините все полученные знания в систематический список проверок для отладки запросов.