[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-golden-dataset::ru":3,"gloss-cluster-golden-dataset::ru":26,"gloss-next-golden-dataset::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"golden-dataset","prompt-eng","Золотой датасет","Золотой датасет (golden dataset) — тщательно отобранный и версионируемый набор репрезентативных входов в паре с заведомо верными ожидаемыми выходами (или критериями приёмки), которым тестируют ИИ-функцию так же, как юнит-тесты страхуют обычный код. Это недостающее звено, превращающее «на демо всё выглядело нормально» в настоящую проверку регрессий: прежде чем менять промпт, заменить модель или обновить провайдера, вы прогоняете новую конфигурацию по золотому набору и сравниваете оценки. Случаи должны отражать продакшн — не только happy-path, но и «грязные» краевые случаи, состязательные входы и известные вам режимы отказа. Для разработчиков это привычка с самым высоким рычагом для надёжного ИИ: начните с 20–50 размеченных вручную случаев, растите набор, повышая реальные сбои до постоянных тест-кейсов, и оценивайте точным совпадением, ассертами или LLM-судьёй. Оговорки: держите его вне любого обучающего или few-shot контекста, чтобы избежать загрязнения, периодически пересматривайте разметку (ваше понятие «хорошо» смещается) и помните, что маленький смещённый набор даёт ложную уверенность.","Золотой датасет — версионируемый набор репрезентативных входов с заведомо верными выходами: он превращает «на демо всё было хорошо» в реальный регресс-тест.",null,[11,14,17,20,23],{"slug":12,"name":13},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":15,"name":16},"llm-as-judge","LLM в роли судьи (LLM-as-Judge)",{"slug":18,"name":19},"llm-benchmark","Бенчмарк LLM (LLM Benchmark)",{"slug":21,"name":22},"prompt-testing","Тестирование промптов (Prompt Testing)",{"slug":24,"name":25},"regression-testing","Регрессионное тестирование (Regression Testing)",[27,31,34,37,41,44,47,50,53,56,59,62],{"slug":28,"category":5,"name":29,"updated_at":30},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":32,"category":5,"name":33,"updated_at":30},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":35,"category":5,"name":36,"updated_at":30},"chain-of-density","Цепочка плотности (CoD)",{"slug":38,"category":5,"name":39,"updated_at":40},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":42,"category":5,"name":43,"updated_at":30},"chain-of-verification","Chain-of-Verification",{"slug":45,"category":5,"name":46,"updated_at":40},"chunking","Чанкинг (Chunking)",{"slug":48,"category":5,"name":49,"updated_at":40},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":51,"category":5,"name":52,"updated_at":40},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":54,"category":5,"name":55,"updated_at":40},"delimiter","Разделитель (Delimiter)",{"slug":57,"category":5,"name":58,"updated_at":30},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":60,"category":5,"name":61,"updated_at":30},"emotion-prompting","Emotion Prompting",{"slug":63,"category":5,"name":64,"updated_at":40},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]