Generated Knowledge Prompting

Generated knowledge prompting («генерация знаний») — двухшаговый приём: сначала вы просите модель выдать относящиеся к вопросу факты или фон, а затем возвращаете это самостоятельно сгенерированное знание как контекст и только потом спрашиваете финальный ответ. Метод (Liu et al., 2022) создавался для задач, требующих здравого смысла или знаний о мире, которые модель «знает», но не всегда достаёт за один проход. Явно проговорив знание заранее, модель получает более твёрдую опору для самого рассуждения. Для SaaS-разработчиков это лёгкая альтернатива поиску, когда искать не по чему: вместо RAG вы вытягиваете собственное скрытое знание модели как промежуточный шаг. Схема: «Перечисли 3-5 ключевых фактов, важных для ответа на X» → затем «Используя эти факты, ответь на X». Очевидный риск: сгенерированное знание само может быть ошибочным — вы не сверяетесь с доверенным источником. Поэтому при критичной фактической точности приём дополняет, а не заменяет retrieval и лучше всего работает там, где правдоподобный контекст помогает больше, чем проверенные ссылки.