GPTML. Справочник по промпт-инжинирингу

Происхождение техник zero-shot, few-shot и chain-of-thought

Если сегодня вы спросите у специалиста по нейросетям, какие есть базовые приёмы работы с моделями, почти наверняка услышите эти три названия: zero-shot, few-shot и chain-of-thought. Звучит так, будто это жаргон «посвящённых», но на самом деле за ними стоит вполне понятная логика. И чтобы её увидеть, нужно чуть вернуться в историю.

В 2020 году вышла работа исследователей OpenAI под названием «Language Models Are Few-Shot Learners». Тогда они представили GPT-3 и показали удивительную вещь: оказывается, модель можно использовать как универсальный инструмент, если правильно построить запрос. И не нужно её заново обучать для каждой задачи – достаточно дать инструкцию или парочку примеров.

Так появилось понятие zero-shot prompting. Это ситуация, когда вы пишете только инструкцию – без всяких примеров. Скажем: «Переведи это предложение на французский». И модель справляется, даже если до этого мы ей не показывали образцы перевода. Чуть сложнее вариант – few-shot prompting. Здесь мы уже даём несколько «подсказок»: – «Собака – dog. Кошка – cat. Птица – bird. Переведи “рыба”». Модель видит закономерность и продолжает цепочку.

Оказалось, что такие приёмы работают почти везде: от перевода слов до написания кода. И это стало отправной точкой для целой новой дисциплины – prompt engineering.

Через два года исследователи из Google (статья «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», 2022) сделали следующий шаг. Они показали, что если попросить модель «рассуждать шаг за шагом», то точность её ответов резко растёт. Это и есть техника chain-of-thought – буквально «цепочка мыслей».

Простой пример:

– Без CoT: «У Маши было 3 яблока, она купила ещё 5. Сколько теперь?» Модель может ответить 8, а может и ошибиться, особенно если задача сложнее.

– С CoT: «Рассуждай шаг за шагом». Модель пишет: «Было 3, купила ещё 5. Складываем: 3 + 5 = 8. Ответ: 8». Ошибок почти не остаётся.

Этот приём оказался особенно полезен в задачах, где важна логика: математика, программирование, юридические кейсы.

Позже появилось ещё несколько вариаций. Например, zero-shot CoT: вы не даёте примеров, а просто добавляете в конце запроса «Давай рассуждать пошагово». И модель начинает сама раскладывать решение на этапы. Или few-shot CoT – где вы показываете парочку примеров с готовыми рассуждениями, и модель копирует этот стиль.

Сегодня все три термина – zero-shot, few-shot и chain-of-thought – стали основой. Их используют в статьях, учебниках и гайдах по работе с ИИ. Это базовый «алфавит» промпт-инженера, без которого трудно продвинуться дальше.

Покажем ещё, как техники zero-shot, few-shot и chain-of-thought работают в реальных сценариях.

Zero-shot: «Скажи сразу»

Представьте студента, который готовит доклад по истории искусства. Он открывает чат с моделью и пишет: «Составь краткий конспект по теме «Импрессионизм во Франции» для пятиминутного выступления».

Он не даёт никаких подсказок, примеров или структуры – просто задачу. Модель формирует текст: рассказывает про Моне, Ренуара, особенности света и цвета, даёт аккуратное введение и заключение. Это и есть zero-shot – запрос без примеров, когда вы полностью полагаетесь на «знания» модели.

Зачем так делать? Когда времени мало и нужно сразу получить основу. Zero-shot экономит минуты, но не всегда гарантирует глубину или точность.

Few-shot: «Учись на примерах»

Теперь тот же студент понимает: ему нужен не просто конспект, а список фактов, которые легко заучить. Он пишет: «Вот примеры того, как я хочу, чтобы выглядели заметки: – Винсент Ван Гог: яркие мазки, психологическая экспрессия, 1880-е. – Поль Сезанн: переход от импрессионизма к кубизму, внимание к форме. Сделай в таком же формате для художников-импрессионистов: Моне, Дега, Ренуар».

Здесь уже есть подсказки – few-shot. Модель учится на мини-примерах и копирует стиль. В результате студент получает список в точности под свои нужды.

В чём сила? Few-shot помогает, когда вам важно не только «что сказать», но и как это оформить.

Chain-of-thought: «Думай вслух»

Перенесёмся в мир бизнеса. Менеджер задаёт модели задачу: «У нас продажи в январе – 1 млн, в феврале – 1,5 млн, в марте – 2 млн. Средний чек – 5000 рублей. Сколько клиентов было в каждом месяце и как изменился прирост?»

Если запрос оставить как есть, модель может выдать только цифры в готовом виде. Но менеджер добавляет: «Рассуждай шаг за шагом».

И получает:

– Январь: 1 000 000 / 5000 = 200 клиентов.

– Февраль: 1 500 000 / 5000 = 300 клиентов.

– Март: 2 000 000 / 5000 = 400 клиентов.

Прирост: февраль к январю +100 клиентов, март к февралю +100 клиентов.

Это уже чистая логика, которую можно проверить. Так работает chain-of-thought – модель не просто даёт ответ, а «ведёт» вас по цепочке рассуждений.

В жизни часто не бывает «чистого» zero- или few-shot. Например, юрист может начать с zero-shot («Составь шаблон договора аренды»), потом перейти к few-shot («Вот пример структуры, сделай в таком же виде»), а финальный анализ попросить через chain-of-thought («Разложи риски по пунктам, рассуждай шаг за шагом»).

Так три техники складываются в полноценный рабочий процесс.

Давайте посмотрим ещё несколько примеров, как это работает на практике в разных сферах.

Пример 1. Образование: студент готовит доклад по биологии

Студенту нужно подготовить краткий доклад о фотосинтезе. У него нет времени продумывать структуру или искать материалы. Он пишет в модель:

«Объясни процесс фотосинтеза простыми словами».

Ответ модели (zero-shot). «Фотосинтез – это процесс, когда растения с помощью солнечного света превращают углекислый газ и воду в питательные вещества и кислород».

Модель дала верный, но слишком общий ответ. Этого мало для доклада: нет структуры, деталей и примеров. Если студент добавит уточнения («Сделай три абзаца: определение, механизм, значение для жизни на Земле. Пиши так, чтобы понял девятиклассник»), это уже будет переход к structured prompting. Но в чистом zero-shot – это первый черновик, который показывает, на что модель способна без направляющих.

Пример 2. Бизнес: менеджер просит резюме отчёта

Руководитель отдела продаж получил длинный отчёт и хочет быстро понять суть. Он копирует текст и пишет:

«Сделай краткое резюме этого отчёта».

Ответ модели (zero-shot). «Отчёт описывает продажи за квартал. Отмечается рост в двух сегментах, снижение в одном. Общая динамика положительная». Модель выделила основное, но не дала цифр и конкретики. Для бизнеса такой ответ бесполезен: без чисел нельзя принимать решения. Если бы менеджер уточнил: «Сделай резюме в 5 предложениях с цифрами по каждому сегменту», то получил бы готовый материал для совещания. Но в режиме zero-shot модель лишь «нащупывает» ключевые акценты.

Пример 3. Креатив: писатель ищет идеи для названия книги

Автор романа о будущем города не знает, как назвать книгу. Он пишет:

«Предложи название для научно-фантастического романа о будущем мегаполиса».

Ответ модели (zero-shot). «Город будущего». Технически это название подходит, но звучит банально. Zero-shot часто выдаёт клише, потому что у модели нет примеров, на которые можно опереться. Автор может добавить уточнение: «Сделай 10 вариантов названия в стиле антиутопии, без слов “город” и “будущее”». Это уже будет few-shot или guided prompting, но именно так рождаются интересные идеи.

Вывод по zero-shot.

Zero-shot хорош, когда нужно быстро получить черновик, проверить, «понимает» ли модель тему, или собрать самые базовые идеи. Но у этой техники есть ограничения: без структуры и контекста ИИ склонен выдавать слишком общие ответы, клише или сухие формулировки. Поэтому zero-shot стоит воспринимать как стартовую точку, а не как готовое решение.

Если zero-shot – это как разговор с человеком «с нуля», то few-shot – это обучение через демонстрацию.

Пример 1. Образование: объяснение математики

Учитель хочет, чтобы модель помогла ученикам решать задачи по алгебре. Он знает, что zero-shot объяснит сухо, поэтому даёт примеры.

Промпт: «Реши задачи по алгебре в таком стиле:

Пример 1. Задача: x + 5 = 10. Решение: вычтем 5 из обеих частей. Получаем x = 5.

Пример 2. Задача: 2x – 4 = 10. Решение: прибавим 4, получаем 2x = 14, делим на 2, x = 7. Теперь реши: 3x + 9 = 21».

Ответ модели: «Прибавим –9 к обеим частям, получаем 3x = 12. Делим на 3, получаем x = 4».

Модель повторила стиль примеров: пошаговое объяснение, без формул и громоздкой терминологии. Если бы промпт был zero-shot, ИИ мог бы просто написать «x=4» и всё, без пояснений. Few-shot здесь заставляет модель не только решить задачу, но и объяснить её «как учитель».

Пример 2. Бизнес: стиль пресс-релиза

Компания запускает новый продукт – сервис быстрой доставки. Нужно пресс-релиз, но в фирме есть чёткий корпоративный стиль.

Промпт: «Вот два примера пресс-релизов:

Пример 1. Компания X объявляет о запуске сервиса Y. Услуга доступна с сегодняшнего дня, обеспечивает удобство и экономию времени для клиентов.

Пример 2. Сегодня компания X представила новый продукт Z. Он ориентирован на семьи и позволит сэкономить до 20 % бюджета. Теперь напиши пресс-релиз о запуске сервиса быстрой доставки продуктов, сохрани стиль и структуру».

Ответ модели: «Компания X объявляет о запуске нового сервиса быстрой доставки продуктов. Сервис доступен с сегодняшнего дня и позволит жителям города получать свежие товары за 30 минут. Решение ориентировано на занятых людей, которые ценят своё время».

Модель не просто описала продукт, а скопировала стиль двух образцов: лаконичные предложения, структура «событие – доступность – выгода». Для бизнеса это важно, потому что экономит время редакторов.

Пример 3. Креатив: сценарии для подкаста

Продюсер подкаста хочет, чтобы модель предложила сценарий для короткого эпизода. Но он боится получить абстрактный текст. Поэтому показывает формат.

Промпт: «Сценарий подкаста.

Пример 1. Тема: история кофе. Вступление: «Сегодня мы расскажем, как кофе покорил Европу». Основная часть: краткий рассказ о XVII веке. Финал: «В следующем выпуске поговорим о чае».

Пример 2. Тема: история шоколада. Вступление: «Сегодня вы узнаете, почему шоколад считался напитком богов». Основная часть: рассказ о культуре майя. Финал: «В следующий раз обсудим специи». Теперь тема: история сыра. Сделай сценарий в том же формате».

Ответ модели: «Тема: история сыра. Вступление: «Сегодня мы расскажем, почему сыр был символом достатка в Древней Греции». Основная часть: краткий рассказ о роли сыра в питании греков и римлян. Финал: «В следующем выпуске мы обсудим хлеб»».

Модель не только раскрыла тему, но и выдержала стиль: короткое вступление, исторический факт и мостик к следующему выпуску. Few-shot сделал текст «узнаваемым» и пригодным к работе без долгих правок.

Вывод по few-shot.

Эта техника экономит часы работы: достаточно показать 2–3 примера – и модель копирует нужный формат. Она особенно полезна, если вы хотите сохранить фирменный стиль, объяснять с определённой логикой или адаптировать текст под конкретную аудиторию.

Обычный запрос к модели часто даёт быстрый результат, но без объяснения. Иногда этого хватает, например, когда вы спрашиваете погоду или перевод слова. Но когда нужно решить задачу, в которой важна логика – математическую, аналитическую или даже креативную – простого ответа мало. Именно тут помогает Chain-of-thought.

Эта техника работает как «открытый черновик»: модель расписывает, как пришла к результату, и вы видите весь ход мысли. Это удобно, потому что: – можно проверить, где она ошиблась; – можно поправить шаги и получить правильный ответ; – проще доверять итоговому результату, если понятен процесс.

Пример 1. Учёба: решение задачи по физике

Запрос без CoT: «Рассчитай силу, с которой тело массой 2 кг давит на поверхность». Ответ: «20 Н».

Результат вроде правильный, но откуда взялась цифра? Ученик, не знающий формулы, останется в недоумении.

Запрос с CoT: «Рассчитай силу давления тела массой 2 кг на поверхность. Объясни решение пошагово для девятиклассника».

Ответ модели: «Сила давления равна весу тела. Вес = масса × ускорение свободного падения. Масса = 2 кг, ускорение ≈ 9,8 м/с². Перемножаем: 2 × 9,8 = 19,6 Н. Обычно округляем до 20 Н».

Теперь видно, откуда берётся цифра, и студент может сам повторить расчёт.

Пример 2. Бизнес: анализ конкурентного рынка

Запрос без CoT: «Кто главный конкурент компании X на рынке доставки еды?» Ответ: «Компания Y».

Коротко, но бесполезно: почему именно она, по каким критериям?

Запрос с CoT: «Определи главного конкурента компании X на рынке доставки еды. Объясни шаги анализа: как ты отбираешь игроков, какие метрики учитываешь, почему именно этот конкурент ближе всего».

Ответ модели: «Сначала смотрим на рынок доставки еды в городе. Основные игроки – компании Y, Z и W. Далее сравниваем по доле рынка: у Y – 35 %, у X – 30 %, у Z – 15 %. Теперь учитываем уникальные особенности: Y и X предлагают экспресс-доставку до 30 минут, остальные нет. Итог: Y – главный конкурент, потому что его доля выше, и он работает в том же сегменте экспресс-доставки».

Теперь видно, что вывод основан на фактах: рынок, доля, сегмент. Для бизнес-отчёта это бесценно.

Пример 3. Креатив: генерация сюжетов

Запрос без CoT: «Придумай сюжет сказки про дракона и девочку». Ответ: «Дракон подружился с девочкой и они вместе спасли деревню».

Скучно и предсказуемо.

Запрос с CoT: «Придумай сюжет сказки про дракона и девочку. Опиши шаги, как развивается история: завязка, конфликт, кульминация, развязка».

Ответ модели: «Завязка: девочка встречает в лесу дракона, которого все боятся. Конфликт: деревня хочет прогнать дракона, думая, что он угрожает. Кульминация: оказывается, дракон охраняет лес от чудовища. Девочка убеждает деревню довериться ему. Развязка: дракон становится защитником деревни, а девочка – его другом».

История стала глубже: есть динамика, конфликт и смысл. Chain-of-thought помогает «разложить» даже творческую задачу на шаги.

Вывод по CoT.

Пошаговое рассуждение делает работу с ИИ прозрачной. Вы не получаете магический «чёрный ящик», а видите, как модель думает. Это снижает ошибки, экономит время на проверку и делает результат надёжнее.

Рассмотрим ещё три продвинутых примера Chain-of-thought, чтобы показать, как эта техника работает на более сложных задачах.

Пример 4. Сто узников и сто коробок

Задача. Сто узников и сто закрытых коробок. В каждой коробке лежит карточка с уникальным номером от 1 до 100, расклад случайный. Узники заходят по одному. В свой заход каждый имеет право открыть не больше пятидесяти коробок, после этого выходит, коробки снова закрываются. Общаться после начала испытания и оставлять метки нельзя. Группа выигрывает только если каждый из ста узников нашёл карточку со своим номером, иначе проигрывают все. Стратегию нужно придумать до старта.

Запрос без CoT. «Дайте стратегию, по которой узники смогут найти свои номера».

Ответ. «Пусть каждый откроет любые 50 коробок». С таким ответом вероятность, что один человек случайно найдёт свой номер за 50 попыток, около половины. Вероятность, что это случится у ста человек подряд, равна 0,5 в степени 100, практически ноль. Случайное открывание коробок не использует структуру задачи, коллективного шанса почти нет.

Запрос с CoT. «Реши задачу пошагово. Сформулируй подходящую математическую модель расклада и обоснуй выбор. Выведи индивидуальную стратегию действий одного узника с учётом лимита 50 открытий и объясни, при каком условии стратегия приводит к успеху для него. Сформулируй условие общей победы для всей группы через параметры выбранной модели. Оцени вероятность общей победы для 100 участников и лимита 50, сначала дай общую логику оценки, затем подставь числа. В конце кратко сравни результат с стратегией случайного выбора. Не называй итог заранее, сначала обоснование, потом вывод».

Ответ. Начну с модели. У каждой коробки есть номер снаружи, а внутри лежит карточка с каким-то номером из того же множества. Такой расклад, естественно, описывать как перестановку чисел от 1 до 100. Любая перестановка разбивается на независимые циклы. Если открыть коробку 17 и увидеть внутри карточку 42, затем открыть коробку 42 и найти карточку 5, а в коробке 5 обнаружить 17, то мы обошли цикл 17→42→5→17.

Индивидуальная стратегия следует из этой модели. Узник начинает с коробки, на которой написан его номер, открывает её и смотрит номер карточки внутри. Если это его номер, он закончил. Если другой, он идёт к коробке с этим номером и повторяет действие. Так он движется по циклу, в который попал. Он успевает найти свою карточку, если длина его цикла не превышает лимит в 50 открытий.

Условие общей победы формулируется так. В перестановке не должно быть ни одного цикла длиной больше 50. Если такой цикл есть, узник из этого цикла физически не успеет добраться до своей карточки за 50 шагов, а значит группа проиграет.

Оценка вероятности. Нас интересует доля перестановок из 100 элементов, у которых максимальная длина цикла не превосходит 50. Эту величину можно получить аналитически через разложение по типам циклов или оценить численно. Известный результат для случайных перестановок даёт значение около 0,3118. То есть шанс общей победы примерно 31 %. Для сравнения, при стратегии «открываю любые 50 коробок» коллективная вероятность успеха стремится к нулю, фактически это 0,5 в степени 100 для независимых попыток, что несопоставимо меньше.

Разбор промпта.

CoT-промпт заставляет модель сначала выбрать и обосновать представление задачи, затем построить индивидуальную стратегию, затем вывести критерий группового успеха, и только после этого перейти к оценке вероятности и к сравнению с наивной стратегией. Такой порядок снижает риск «угадывания» и даёт прозрачный, проверяемый вывод. Если вы хотите ещё жёстче исключить утечки, добавьте финальную фразу: «Не используй заранее известные результаты, сначала выведи общий подход и только потом сообщи итоговую оценку». Это удержит модель от преждевременных ответов и сохранит чистоту рассуждения.

Пример 5. Бизнес: SWOT-анализ

Запрос без CoT: «Сделай SWOT-анализ для стартапа по доставке фермерских продуктов». Ответ: «Сильные стороны – свежие продукты. Слабые – высокая цена. Возможности – рост спроса. Угрозы – конкуренция».

Выглядит как шаблон.

Запрос с CoT: «Сделай SWOT-анализ для стартапа по доставке фермерских продуктов. Распиши пошагово: сначала сильные стороны, потом слабые, потом возможности и угрозы. Дай пояснения, почему именно так».

Ответ модели: «Сильные стороны: фермерские продукты воспринимаются как более качественные и полезные. Это даёт конкурентное преимущество среди покупателей, заботящихся о здоровье. Слабые стороны: логистика дороже, чем у массовых сервисов, поэтому цена выше. Это может оттолкнуть часть клиентов. Возможности: рост интереса к экологичному питанию, поддержка локальных производителей, тренд на онлайн-покупки. Угрозы: крупные сети начинают предлагать «фермерские» линейки, и у них есть бюджет на рекламу.

Итог: стартапу стоит удерживать нишу за счёт доверия и прозрачности – показывать происхождение продуктов и поддерживать связь с фермерами».

Такой SWOT-анализ пока выглядит как черновик. Но с ним уже можно работать дальше: дорабатывать формулировки, усиливать факты цифрами, адаптировать под слайды. По сути, это отправная точка, которая помогает увидеть структуру и направления развития.

Пример 6. Креатив: неожиданный поворот в сюжете

Запрос без CoT: «Придумай сценарий короткометражного фильма про космонавта». Ответ: «Космонавт полетел в космос и успешно вернулся домой».

Скучный сюжет.

Запрос с CoT: «Придумай сценарий короткометражного фильма про космонавта. Напиши пошагово: завязка, конфликт, кульминация, развязка. Добавь неожиданный поворот».

Ответ модели: «Завязка: космонавт готовится к своей первой миссии, вся страна следит за запуском. Конфликт: во время полёта у корабля выходит из строя система связи, он остаётся один в тишине космоса. Кульминация: космонавт получает странный сигнал, который напоминает голос его дочери. Он следует этому сигналу и чинит систему. Развязка: когда он возвращается, выясняется, что никакой сигнал с Земли не отправляли. Но именно он помог ему выжить. Поворот: остаётся вопрос – был ли это сбой, галлюцинация или что-то большее».

Пошаговое построение сюжета позволяет избежать банальности. Модель сама «думает» о том, где добавить напряжение, а где – интригу.

Chain-of-thought полезен не только для школьных задач или простых объяснений. Он превращает работу с ИИ в прозрачный процесс даже в бизнес-аналитике и творческих проектах. Чем сложнее задача, тем ценнее видеть логику шагов – и именно это даёт CoT.

Комбинирование CoT и Few-shot

Обе техники по отдельности дают сильный эффект. Chain-of-thought раскрывает процесс рассуждения шаг за шагом. Few-shot показывает модели готовые образцы, чтобы она «подстроилась» под ваш стиль и формат. Но если объединить их, получается мощный инструмент: модель не просто рассуждает сама по себе, а делает это в заданной вами логике.

Представьте, что вы учите ассистента работать как стажёр. Если просто сказать: «Размышляй вслух», он будет рассуждать по-своему. Но если вы ещё и дадите ему три образца того, как именно нужно рассуждать, то он скопирует вашу манеру и результат будет куда точнее.

Пример 1. Учёба: решение задач по математике

Few-shot + CoT запрос: «Вот примеры:

Задача: У Пети было 5 яблок, он съел 2. Сколько осталось? Решение: сначала считаем, сколько яблок было – 5. Затем вычитаем 2. Получаем 3. Ответ: 3 яблока.

Задача: У Анны было 10 карандашей, 4 она подарила другу. Сколько осталось? Решение: сначала было 10. Отнимаем 4. Остаётся 6. Ответ: 6 карандашей.

Теперь реши: У Оли было 12 конфет, 5 она съела, а 2 подарила. Сколько осталось? Объясняй пошагово».

Ответ модели: «Сначала считаем, сколько конфет всего – 12. Вычитаем 5, остаётся 7. Потом вычитаем ещё 2, остаётся 5. Ответ: 5 конфет».

Разбор.

Модель не просто дала цифру, а скопировала стиль рассуждений из ваших примеров.

Пример 2. Бизнес: анализ отзывов

Few-shot + CoT запрос: Задача: показать, как один промпт может сразу обработать десяток отзывов и выдать структурированный анализ, который уже можно использовать в бизнесе.

Промпт без структуры: «Сделай анализ отзывов клиентов».

Результат: «У клиентов есть и положительные, и отрицательные впечатления. Нужно работать над сервисом и качеством продукта».

Такой ответ бесполезен: он общий, расплывчатый и не отражает реальную картину. Руководитель ничего не поймёт из такого анализа.

Уточнённый промпт (few-shot + CoT): «Вот примеры анализа отзывов:

Отзыв: “Привезли быстро, но пицца остыла”. Анализ: плюс – скорость доставки; минус – качество продукта; вывод – улучшить термосумки.

Отзыв: “Вкусно, но курьер опоздал”. Анализ: плюс – вкус еды; минус – задержка доставки; вывод – контролировать время выезда курьеров.

Отзыв: “Удобное приложение, но тяжело найти любимые блюда”. Анализ: плюс – удобство заказа; минус – плохая навигация; вывод – улучшить поиск в приложении.

Теперь проанализируй следующие 10 отзывов. Формат для каждого: плюс, минус, вывод. Объясняй пошагово, что именно ты выделяешь и почему».

Результат модели:

Отзыв: «Пицца вкусная, но соус был пролит в коробке». Плюс: качество продукта. Минус: плохая упаковка. Вывод: усилить упаковку для жидких ингредиентов.

Отзыв: «Очень быстро привезли, но курьер был грубым». Плюс: скорость доставки. Минус: качество обслуживания. Вывод: провести тренинг по вежливости.

Отзыв: «Меню большое, но половины позиций не оказалось в наличии». Плюс: ассортимент. Минус: несоответствие наличию. Вывод: синхронизировать склад и меню.

…и так далее по всем 10 отзывам.

Здесь видно главное преимущество приёмов few-shot + CoT. Модель не просто выдала общую фразу «у клиентов есть плюсы и минусы», а пошла по шагам: выделила положительные и отрицательные стороны каждого отзыва, а затем сформулировала конкретный вывод. Важно, что мы заранее показали формат анализа на нескольких примерах. Благодаря этому при добавлении новых отзывов модель автоматически воспроизводит тот же шаблон.