[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-canary-prompt::ru":3,"gloss-cluster-canary-prompt::ru":17,"gloss-next-canary-prompt::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"canary-prompt","mlops","Канареечный промпт","Канареечный промпт — изменение промпта, выпущенное на небольшую долю живого трафика, пока остальные продолжают работать со старой версией. Метрики двух групп сравниваются, и изменение либо раскатывается на всех, либо откатывается.\n\nЭто нужно потому, что правки промптов ведут себя как деплой кода, но с худшими тестами. Изменение формулировки, улучшающее ваш набор из пятидесяти кейсов, может ухудшить категорию, которой в наборе нет, и компилятора, который это поймает, не существует. Живой трафик — куда больший и куда менее лестный тестовый набор.\n\nЧаще всего ошибаются в том, что сравнивать. Задержка и стоимость измеряются легко, но риск обычно не в них. Смотрите на исходы уровня задачи: долю решённых, расстояние правки между черновиком модели и тем, что пользователь отправил, долю эскалаций, дизлайки. И дайте канарейке накопить выборку, достойную решения, а не читайте шум первого дня.\n\nДержите откат тривиальным. Промпты должны быть данными — версионируемыми и заменяемыми без деплоя; изменение, требующее инженера и релизного окна, быстро не откатят, а значит смысл канарейки теряется.","Канареечный промпт выкатывает изменение на часть трафика — дисциплина деплоя, которая ловит регрессии качества, пропущенные вашими тестами.",null,[11,14],{"slug":12,"name":13},"prompt-engineering","Инженерия промптов (Prompt Engineering)",{"slug":15,"name":16},"shadow-deployment","Теневое развёртывание (Shadow Deployment)",[18,22,26,29,33,36,39,42,45,48,51,54],{"slug":19,"category":5,"name":20,"updated_at":21},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":23,"category":5,"name":24,"updated_at":25},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":27,"category":5,"name":28,"updated_at":25},"batch-inference","Батч-инференс",{"slug":30,"category":5,"name":31,"updated_at":32},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":34,"category":5,"name":35,"updated_at":25},"class-imbalance","Дисбаланс классов",{"slug":37,"category":5,"name":38,"updated_at":25},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":40,"category":5,"name":41,"updated_at":25},"cross-validation","Перекрёстная проверка",{"slug":43,"category":5,"name":44,"updated_at":25},"data-labeling","Разметка данных",{"slug":46,"category":5,"name":47,"updated_at":32},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":49,"category":5,"name":50,"updated_at":32},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":52,"category":5,"name":53,"updated_at":32},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)",{"slug":55,"category":5,"name":56,"updated_at":25},"explainability","Объяснимость"]