[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-analogical-prompting::ru":3,"gloss-cluster-analogical-prompting::ru":23,"gloss-next-analogical-prompting::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"analogical-prompting","prompt-eng","Analogical Prompting","Analogical prompting («промптинг по аналогии») просит модель сначала самой сгенерировать релевантные примеры — аналогичные задачи с разобранными решениями, — а затем использовать их для решения целевой задачи. Метод от исследователей Google DeepMind (Yasunaga et al., 2023) вдохновлён тем, как люди вспоминают похожие прошлые задачи, прежде чем взяться за новую. По сути это самогенерируемый few-shot: вместо того чтобы вручную составлять демонстрации, модель на лету выдаёт подогнанные под запрос примеры, что снимает труд по подбору образцов и позволяет им адаптироваться к каждому конкретному запросу. Сообщалось, что на задачах рассуждения и математики приём обходит обычную цепочку рассуждений и даже некоторые фиксированные few-shot схемы. Для SaaS-разработчиков привлекательно необслуживаемое in-context learning: вы получаете прирост точности от примеров, не строя и не версионируя библиотеку примеров под каждую задачу. Оговорки: самосгенерированные примеры бывают ошибочны или не по теме и тянут ответ за собой, а их генерация добавляет токены и задержку — поэтому приём больше подходит для функций с тяжёлым рассуждением на сильных моделях, чем для простых вызовов, чувствительных к задержке.","Analogical prompting просит модель сначала сгенерировать собственные аналогичные разобранные примеры, а затем решить целевую задачу — без ручных few-shot.",null,[11,14,17,20],{"slug":12,"name":13},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)",{"slug":15,"name":16},"generated-knowledge-prompting","Generated Knowledge Prompting",{"slug":18,"name":19},"in-context-learning","Контекстное обучение (In-Context Learning)",{"slug":21,"name":22},"step-back-prompting","Step-Back Prompting",[24,28,31,35,38,41,44,47,50,53,56,57],{"slug":25,"category":5,"name":26,"updated_at":27},"automatic-prompt-optimization","Автоматическая оптимизация промптов","2026-08-24T02:46:37+00:00",{"slug":29,"category":5,"name":30,"updated_at":27},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":27},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Разделитель (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":27},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":27},"emotion-prompting","Emotion Prompting",{"slug":12,"category":5,"name":13,"updated_at":34},{"slug":15,"category":5,"name":16,"updated_at":27}]