Попробовали на работе предметно-ориентированное проектирование (Domain Driven Design). Это такой способ построения архитектуры, когда ты (чаще всего с помощью системы типов и ООП) описываешь физическую суть вещей, которые представлены в твоей программе.
Например, если в программе есть объект "Книга", то её нужно снабдить свойствами, которые бывают у книг в реальности: число страниц, автор, язык, тип обложки и т.д. При этом данные свойства должны быть такими, чтобы присвоить им нереалистичные значения было нельзя. Допустим, число страниц не может быть отрицательным (и скорее всего в реальном мире не может быть нулём). При попытке установить отрицательное число страниц программа должна выбросить исключение. А совсем в идеальном случае -- не дать этого сделать программисту на уровне статического анализа кода.
Описав все свойства книги, вы снабжаете её операциями, которые над ней можно сделать. Например, из книги можно вырвать страницу, и при этом число страниц уменьшается. Нет такого случая, когда можно вырвать страницу без изменения числа страниц. Вы строго программируете эту зависимость, делаете у книги метод "Вырвать страницу", а он уже уменьшает число. Кстати, свойство "Число страниц" при этом нельзя переназначить в уже созданной книге. Можно только создать книгу, передав в её конструктор (так называется в программировании функция создания объектов) заданное число страниц. Но поменять число страниц можно только специальными методами "Вырвать страницу" и "Вклеить страницу".
С помощью этого подхода вы гарантируете, что ваши объекты всегда находятся в валидном состоянии -- то есть таком, которое возможно в реальной жизни с объектом, представленным программой.
Плюсы подхода очевидны: меньше число ошибок. Код описывает сам себя, и программист, если не лезет внутрь объекта "Книга", вообще не сможет сделать с книгой ничего недопустимого.
Минусы, думаю, тоже понятны: изначально проектировать сложнее, нужно учесть много нюансов, писать тесты. Время разработки изрядно растёт. Изменение требований даётся дороже: например, если каким-то образом в ваш книжный магазин поступят книги со страницами из кевлара, которые невозможно вырвать :)
Но первый проект с этим подходом мы сдали хорошо, без багов. Лучше, чем многие предыдущие.
#dev
#book#promptEngineering
🤖
The Art of Asking ChatGPT for High-Quality Answers: A Complete Guide to Prompt Engineering Techniques (2023)
✍️Ibrahim John
🔗Link
-----
Canal principal:@repo_science
Cupones: @freecoupons_reposcience
-----
#softSkills#promptEngineering#chatGPT
🤖
LangChain Guide: Next-Gen ChatGPT & LLMs apps with LangChain
This course is not just about the basics of Generative Artificial Intelligence and Natural Language Processing. It’s about using LangChain to supercharge the performance and efficiency of your Language Models. We’ll arm you with the skills and insights to tweak and tailor language models to your specific requirements, opening up a wider array of AI challenges and opportunities for you to tackle.
🔗Link
-----
Main channel:@repo_science
Coupons: @freecoupons_reposcience
-----
#softSkills#promptEngineering#chatGPT#aporte
🤖
Prompt Engineering for ChatGPT
ChatGPT and other large language models are going to be more important in your life and business than your smartphone, if you use them right. ChatGPT can tutor your child in math, generate a meal plan and recipes, write software applications for your business, help you improve your personal cybersecurity, and that is just in the first hour that you use it. This course will teach you how to be an expert user of these generative AI tools. The course will show amazing examples of how you can tap into these generative AI tools' emergent intelligence and reasoning, how you can use them to be more productive day to day, and give you insight into how they work.
🔗Link
-----
Main channel:@repo_science
Coupons: @freecoupons_reposcience
-----
🚨Промпт-инжиниринг мёртв? Новое исследование от Anthropic показывает: теперь важнее не искусство формулировки запроса, а качество и структура предоставляемых данных. На смену приходит контекст-инжиниринг — умение организовать информационное пространство для ИИ.
Почему это важно? Современные модели типа Claude или GPT уже мыслят структурно, но «теряются» в длинных контекстах. Если из 200К токенов только 1К — суть задачи, модель тратит 95% ресурсов на фильтрацию шума, а не на решение. Качество падает, а стоимость растёт.
Что делать? Используйте три ключевые техники: 1) Сжатие — регулярно резюмируйте и оптимизируцте диалог; 2) Делегирование — используйте узкоспециализированных агентов. Нувыпонели)
#ИИ#PromptEngineering#Anthropic
#promptEngineering#dataAnalysis#Python#pandas#chatGPT
🤖
Prompt Engineering for Data Analysis Python, Pandas, ChatGPT
ChatGPT & Python. No Coding Needed. Data Analysis & Data Visualisation with ChatGPT, Python, Pandas & Prompt Engineering
🔗Link
-----
Main channel:@repo_science
Coupons: @freecoupons_reposcience
-----
🖥gpt-oss работает на специальном формате промптов — Harmony, и без него модель просто не будет выдавать корректные ответы.
Зачем нужен Harmony?
Этот формат нужен для:
— 🧠 генерации chain of thought рассуждений
— 🔧 корректного вызова функций и использования инструментов
— 📦 вывода в разные каналы: обычный ответ, reasoning, tool call
— 🗂️ поддержки tool namespaces и иерархических инструкций
💡 Harmony имитирует OpenAI Responses API, так что если вы с ним работали — будет легко освоиться.
👉 Если вы используете gpt-oss через HuggingFace, Ollama или vLLM, волноваться не нужно.
Но если строите свой пайплайн — обязательно изучитегайд по Harmony.
Без него модель просто не будет работать как надо.
pip install openai-harmony
# or if you are using uv
uv pip install openai-harmony
@ai_machinelearning_big_data
#gptOSS#Harmony#OpenAI#LLM#PromptEngineering
🔥WFGY 2.0 — Semantic Reasoning Engine for LLMs (MIT)
Это движок с открытым исходным кодом, цель которого — уменьшить галлюцинации и логические сбои в системах типа RAG / LLM, особенно когда:
- источники OCR-текста плохо распознаются,
- происходит «semantic drift» (когда ответ уходит от вопроса),
- «ghost matches», когда извлечённый фрагмент кажется релевантным, но на самом деле нет.
Обычно ошибки ловят уже в готовом сгенерированном тексте, из-за чего они часто повторяются.
В Semantic Reasoning Engine всё наоборот: если система видит, что рассуждения «кривые» или сбились с курса, она останавливается, сбрасывается или ищет другой путь и отвечает только когда состояние стабильно.
🛡Авторы называют это semantic firewall - семантический «файрвол».
Проверки встроены прямо в процесс мышления модели, а не поверх ответа с фильтрами или регексами. Это помогает избегать ошибок до того, как они попадут в вывод.
📌 Проект включает карту из 16 типичных ошибок LLM:
- неверный поиск данных,
- сбившаяся логика,
- «провалы памяти»,
- путаница ролей агентов и другие.
Для каждой есть простое текстовое исправление. Никаких SDK — достаточно вставить инструкции прямо в промпт.
🟢Как модель решает, правильные ли ответ генерируется:
- ΔS (drift) - не уходит ли смысл слишком далеко от шага к шагу
- λ (convergence) - сходится ли рассуждение к решению или крутится в цикле
- Coverage — достаточно ли фактов и аргументов учтено
Если все три условия выполнены, ответ считается «качественным».
🟢В тестах стабильность вывода выросла до 90–95% против обычных 70–85% у традиционных подходов.
▪Github: https://github.com/onestardao/WFGY
@ai_machinelearning_big_data
#ai#llm#opensource#reasoning#hallucinations#promptengineering
💼💥 Юристы тратят часы на переписывание рискованных пунктов договоров — но теперь это можно сделать одним промптом.
Представляем Clause Surgeon: инструмент, который моментально находит риски и предлагает готовые редлайны в английских договорах.
Мастер-промпт:
"You are a Magic Circle–calibre contract editor. Given the CONTRACT TYPE = [CAPS], JURISDICTION = [ENGLISH LAW], COUNTERPARTY POWER = [STRONG/MEDIUM/WEAK], and RISK TOLERANCE = [LOW/MEDIUM/HIGH], review the CLAUSE:
"""[PASTE CLAUSE]"""
1. Diagnose risks in a bullet list tagged [Severity: Low/Med/High] with citations to standard practice.
2. Offer two alternative rewrites: (A) Aggressive pro-client, (B) Balanced market-standard.
3. Add a one-paragraph client-facing rationale in plain English.
4. Provide a redline version if possible.
5. Output JSON too: {“risk_tags”:[], “severity_max”: “High/Med/Low”, “pick”: “A/B”, “one-line”: “…”}.
Style: concise, precise, no fluff".
Попробуйте этот промпт на практике и поделитесь результатом — покажите, как Clause Surgeon лечит рискованные пункты.
#EnglishLawReport#LegalPrompts#ContractDrafting#PromptEngineering#ClauseSurgeon#LegalAI#MagicCircleStyle#EnglishLaw