Ранее мы рассмотрели причины обмана и имитации работы ИИ. Но понимание причин, по которым ИИ «врёт», — это лишь половина дела. Куда важнее для практикующего пользователя научиться выстраивать взаимодействие с языковыми моделями так, чтобы минимизировать обман, пропуски и искажения. Проблема в том, что ни одна из существующих моделей — ни ChatGPT, ни Claude, ни Gemini — не способна гарантировать стопроцентную точность: по данным независимых тестов, даже лучшие модели галлюцинируют в 1,5–3% случаев при простом пересказе текста, а в задачах, требующих рассуждения, уровень ошибок возрастает до 33–48%. Это означает, что ответственность за качество результата неизбежно ложится на человека, и стратегия «отправил запрос — получил готовый результат» больше не работает.

Хорошая новость заключается в том, что большинство типичных ошибок ИИ — ленивые пропуски разделов, подхалимское согласие вместо честного ответа, уверенно изложенные выдумки — достаточно предсказуемы и поддаются контролю через грамотное формулирование промптов, разбиение задач на шаги и систематическую верификацию выходных данных. Исследования показывают, что применение техник вроде Chain-of-Verification (цепочка верификации), контекстных якорей и пошаговых инструкций позволяет значительно снизить частоту галлюцинаций и заставить модель более добросовестно придерживаться исходного материала.

Ниже приведены 12 конкретных рекомендаций, они охватывают весь цикл работы с ИИ — от составления запроса до финальной проверки результата — и применимы к любым моделям и задачам, будь то перевод документов, генерация контента, анализ данных или написание кода.

Рекомендация 1. Разбивайте большие задачи на мелкие

Это самый эффективный способ борьбы с «ленью» модели. Вместо «Переведи весь документ» используйте поэтапный подход:

• Сначала попросите модель составить оглавление/структуру документа.
• Затем переводите по одному разделу за раз.
• Контролируйте полноту каждого раздела перед переходом к следующему.

Один из пользователей продемонстрировал, что добавление фразы «Не беспокойся о лимите токенов. Мы можем сделать это в несколько шагов» увеличило объём генерации с 786 слов до 1605 при том же запросе.

Рекомендация 2. Явно запрещайте сокращения и пропуски

В промпте укажите: «Не пропускай ни одного абзаца. Не используй многоточия, заглушки или ссылки на пропущенный контент. Каждый элемент оригинала должен быть полностью представлен в переводе». Эксплицитный запрет на сокращение значительно повышает полноту ответа, хотя и не гарантирует её на 100%.

Рекомендация 3. Используйте метод «цепочки верификации» (Chain-of-Verification)

После получения ответа попросите модель:

1. Извлечь из своего ответа все фактические утверждения в виде нумерованного списка.
2. Проверить каждое утверждение по отдельности.
3. Сформировать исправленную версию ответа с учётом обнаруженных несоответствий.

Этот метод заставляет модель перечитать и перепроверить собственный вывод, что снижает вероятность галлюцинаций.

Рекомендация 4. Давайте ИИ «разрешение не знать»

Одна из причин галлюцинаций — модель «не умеет» признаваться в незнании. Добавьте в промпт: «Если ты не уверен в ответе — скажи об этом. Лучше честно признать неуверенность, чем выдумать ответ». Попросите модель сопровождать утверждения уровнями уверенности (высокий / средний / низкий) — это заставляет модель «задуматься» о степени достоверности каждого утверждения.

Рекомендация 5. Применяйте «второго аудитора»

Скопируйте ответ одной модели и дайте его на проверку другой. Например:

• Получите перевод от ChatGPT.
• Дайте его Claude с промптом: «Сравни этот перевод с оригиналом. Выяви пропущенные фрагменты, искажения смысла и ошибки».

Две разные модели имеют разные «слабые места», и перекрёстная проверка значительно повышает точность.

Рекомендация 6. Контролируйте структуру ответа

Перед выполнением задачи попросите модель составить план работы и утвердите его. Затем требуйте выполнения строго по плану с отчётом о каждом этапе. Это особенно эффективно при работе с кодом и длинными текстами.

Рекомендация 7. Не доверяйте «извинениям» модели

Когда вы указываете на ошибку, модель запрограммирована соглашаться и обещать исправление. Это проявление подхалимства. Вместо «Ты пропустил раздел 3, исправь» используйте конкретные инструкции: «Вот текст раздела 3: [текст]. Переведи именно этот фрагмент». Не полагайтесь на способность модели самостоятельно найти и исправить ошибку — укажите конкретно, что именно нужно сделать.

Рекомендация 8. Проверяйте объём вывода

Для переводов и других задач, где важна полнота, сравнивайте количественные метрики: число абзацев, предложений, слов или символов в оригинале и в результате. Если перевод на 40% короче оригинала — что-то пропущено.

Рекомендация 9. Используйте пошаговые инструкции (Step-by-Step)

Вместо расплывчатого запроса давайте пошаговые инструкции:

• «Шаг 1: Прочитай весь документ и перечисли все разделы с их заголовками.»
• «Шаг 2: Переведи раздел 1, сохраняя все детали.»
• «Шаг 3: Когда закончишь раздел 1, сообщи мне, и я попрошу перевести следующий.»

Это устраняет неоднозначность и не даёт модели «оптимизировать» задачу за ваш счёт.

Рекомендация 10. Настраивайте параметры генерации

Если вы работаете через API, используйте технические параметры:

• Temperature = 0 или близко к 0 — снижает «креативность» и повышает детерминированность ответов.
• max_tokens — установите высокое значение, чтобы модель не была ограничена в длине вывода.
• Top-p — низкие значения делают ответ более сфокусированным и менее склонным к «уходу в сторону».

Рекомендация 11. Критически оценивайте каждый ответ

Относитесь к ИИ как к стажёру, а не к эксперту:

• Никогда не принимайте первый ответ без проверки.
• Перепроверяйте важные факты по независимым источникам.
• Помните: модель не «знает» — она «предсказывает наиболее вероятное продолжение текста». Она может звучать предельно уверенно, выдавая полностью ложную информацию.

Рекомендация 12. Используйте рефлективный промптинг

После получения ответа добавьте: «Критически оцени свой ответ. Что в нём может быть неправильным или неполным? Где ты мог галлюцинировать?». Это активирует «режим самокритики» модели и может выявить ошибки, которые модель «осознаёт», но не исправляет по умолчанию.