Лингвистическая оптимизация промта в аспекте проблематики промт-инжиниринга

Abstract

Признание важности формальной параметризации текстов в интернет-коммуникации привело к распространению больших языковых моделей (large language models, LLMs), которые могут создавать тексты на естественном языке на основе пользовательских параметров через интерфейс запроса (промт). Промт-инжиниринг как техника улучшения взаимодействия пользователя с программными алгоритмами посредством моделирования релевантных запросов стал востребованным инструментом для совершенствования механизмов генерации текстов. В данной статье исследуется феномен лингвистической оптимизации запроса (промта) и его влияние на качество генерируемого текста. В задачи исследования входят анализ функционирования запросов генерации текста, изучение возможностей формализации и параметризации запроса, а также экспериментальное исследование влияния детализации запроса на качество генерируемого текста. Результаты показывают, что избыточная параметризация запроса в целом ухудшает показатели лексического разнообразия текста, что свидетельствует о переобучении модели. Оптимальные параметры промтов для генерации высококачественного текста варьируются в пределах двух-трех параметров (тип используемой конструкции, указание на жанрово-стилевые параметры текста), что указывает на необходимость формализации промтов для достижения лучших результатов генерации текста. Применение формализации запросов для уточнения задач генерации текста связывает инжиниринг промтов с когнитивной инженерией знаний. Промт, предсказывающий содержание текста, выступает в качестве когнитивного эквивалента модели речевого события, на которое влияют метатекстовые данные о коммуникативной задаче, имеющиеся у пользователя. Перспективы исследований в области промт-инжиниринга связаны не только с улучшением процессов создания искусственных текстов, но и с развитием структурированных подходов к онтологизации знаниевой парадигмы, представленной в текстах определенного дискурса.

The increasing importance of formal text parameterization in internet communication has led to the popularization of large language models (LLMs) capable of generating natural language texts based on user-defined parameters through a prompt interface. Prompt engineering as a technique for improving user-program interaction by modeling relevant queries has emerged as a valuable tool for enhancing text generation mechanisms. This paper explores the phenomenon of linguistic optimization and its impact on the quality of the text. The research aims to analyze the functioning of text generation queries, investigate the possibilities of formalization and parameterization of the prompt, and experimentally study the impact of prompt detalization on the quality of the generated text. The results show that excessive prompt parameterization generally deteriorates the lexical diversity of the text, indicating model overfitting. Optimal prompt parameters for generating high-quality text vary within two to three parameters (construct type, indication of text genre and style parameters), suggesting the need for prompt formalization to achieve better text generation results. Applying prompt formalization for specifying text generation tasks links prompt engineering with cognitive engineering of knowledge. The prompt that predicts text content serves as a cognitive equivalent of the speech event model, influenced by metatextual data about the communication task available to the user. The prospects of prompt engineering research are not limited to improving artificial text creation processes, but also involve the development of structured approaches to the ontologizing of knowledge paradigms represented in texts of a particular discourse.