← Изкуствен интелект и дигитални умения!!!

Урок 6 от 25

Промпт инженеринг и контекст инженеринг

Въпросът, дали компютрите могат да мислят, е като въпроса дали подводниците могат да плуват – Алън Тюринг

В съвременната дигитална епоха, когато изкуственият интелект намира все по-широко приложение в обществения и отбранителния сектор, умението за формулиране на прецизни и ясни промптове (подкани, подсказки, инструкции) се превръща в ключов фактор за ефективно взаимодействие с езиковите модели. Ако големите езикови модели (LLM) могат да бъдат разглеждани като мощен мозък, то промпт инженерингът представлява умението той да бъде управляван правилно.

Промпт инженерингът е сложна интердисциплинарна област, обединяваща компютърна лингвистика, когнитивна психология и системно инженерство с цел извличане на максимална стойност от стохастичните процеси на предсказване на езика (Brown et al. 2020). Това е процесът на целенасочено конструиране, формулиране и усъвършенстване на заявки (инструкции, подкани) към модели на изкуствен интелект с цел постигане на точни, релевантни, приложими и възпроизводими резултати. AI системите генерират своите отговори въз основа на входния текст (промпта), като дори минимални промени във формулировката могат да доведат до съществено различни резултати (Reynolds & McDonell 2021). Промптът представлява входната инструкция, въпрос или контекст, който потребителят предоставя на AI модел, за да получи желания изход.

Image

Принципът „Вкараш ли боклук, ще изкараш боклук“

Мрежите за машинно обучение са толкова добри, колкото са данните, с които биват обучавани. Най-честата причина за неточните резултати на изхода на някоя ИИ система са лошите данни за обучението ѝ, което означава непълна, зле обозначена, изобилстваща с грешки или пристрастия база (Mitchell 1997). Например прогнозните ИИ системи, обучени с противоречиви и неточни данни за предишни явления, ще направят безполезни предвиждания. В света на компютърните науки концепцията, че лошият вход води до лош изход, се нарича garbage in, garbage out (GIGO) (Babbage 1864).

При работа с езикови модели степента на яснотата и конкретността на въпроса корелира пряко с качеството на получения отговор. Общи запитвания от типа „Как да програмирам?“ или „Разкажи ми за циклите“ обикновено водят до абстрактни и трудно приложими отговори. За разлика от тях, ясно дефинираните заявки с конкретен контекст – например: „Как да напиша Python функция за сортиране на списък с цели числа?“ или „Обясни как работи for цикъл в JavaScript“ – позволяват на модела да предостави структурирани, детайлни и практически полезни отговори, включително примери, обяснения и алтернативни решения (Wei et al. 2022).

Контекстът е първият и най-съществен елемент на всеки ефективен промпт. Той направлява „мисловния процес“ на модела и му позволява да оцени адекватно ситуацията. При анализ на проблемен код или решаване на конкретна задача предоставянето на детайлна информация – включително самия код, очакваните резултати, възникналите грешки, предназначението на програмата, води до значително по-качествени и релевантни решения.

● Пример за добър промпт с контекст: Пиша JavaScript функция за изчисляване на факториела на число, но тя връща NaN за стойности над 1. Ето кода: [код]. Какъв може да е проблемът?

● Пример за лош промпт: Кодът ми не работи.

Формулировката на заявката влияе не само върху съдържанието, но и върху формата и стила на отговора. Ясното дефиниране на очаквания резултат (примерен код, концептуално обяснение, таблица, списък) значително подобрява полезността на генерирания отговор.

Добре формулираната заявка обикновено включва следните основни компоненти (White et al. 2023):

● Контекст – нужна е релевантна информация, за да помогнете на AI да разбере ситуацията. Например вместо „Помогни ми да напиша имейл“, опитайте с „Пиша имейл до клиент, за да потвърдя среща по проекта. Тонът трябва да е професионален, но достъпен“.

● Роля – дайте му роля, например: „Ти си опитен военен, участвал в много мисии“.

● Задача – ясно посочете какво искате да направи моделът, например „Обобщи този текст с точки“ или „Напиши въведение от два абзаца за презентацията ми“.

● Детайли и ограничения – добавете конкретни изисквания като тон, дължина или стил. Пример – „Пренапиши този параграф в неформален стил, като остане под 100 думи“.

Ето още един пример за лоша заявка:

Разкажи ми за маркетинга – тя е неясна и липсва фокус, което води до общ отговор.

Пример за добра заявка:

Можеш ли да дадеш обяснение в три параграфа за съдържателния маркетинг, като се фокусираш върху това как малките бизнеси могат да използват блогове и социални мрежи за увеличаване на разпознаваемостта на марката. Тя е ефективна, защото е конкретна, детайлна и поставя ясни очаквания за резултата.

Един от ефективните подходи за създаване на качествени промптове е методът на Сократ, който представлява кооперативен аргументиран диалог, стимулиращ критичното мислене чрез последователно задаване и оспорване на въпроси:

– започване на разговора с общ въпрос, свързан с концепцията, от която се интересувате;

– задълбочаване с по-конкретни въпроси;

– оспорване на отговорите;

– поддържане на диалогичност;

– помислете върху получените отговори.

Този метод е особено приложим в обучението, анализа и вземането на решения.

Нека разгледаме пример, в който се интересуваме от отбрана на военна база. Вашето взаимодействие с ChatGPT може да протече така:

1. Започвате с въпрос – „Какви са основните тактически похвати за ефективна отбрана на позиция?“. AI ще ви обясни как се организират отбранителни линии, използване на естествени и изкуствени прегради, създаване на резервни позиции, инженерни заграждения т.н.

2. След това задавате по-конкретен въпрос – „Може ли да дадеш пример за използване на инженерни заграждения при отбрана на позиция?“. ChatGPT описва ситуация за употреба на система от взривни и невзривни инженерни заграждения.

3. Оспорвате отговора – „В кои случаи използването на ежове и надълби може да се окаже неефективно?“. ChatGPT анализира, че ако противникът успее да заобиколи загражденията, те ще се окажат безсмислени.

4. Добавяте „Можеш ли да дадеш пример от историята, в който това е довело до успех?“.

Потребителят може изрично да зададе нивото на разсъждение – минимално разсъждение с бързи отговори, балансирано стандартно ниво и високо ниво на анализ и разсъждение. Примерни инструкции:

– „Мисли стъпка по стъпка“;

– „Проучи поне 3 подхода и избери най-добрия“;

– „Направи задълбочен анализ, преди да отговориш“.

Ето още един добър пример по рецептата контекст – роля – задача – детайли:

● Задача – „Създай кратка информационна брошура за пациенти, обясняваща какво е хипертония (високо кръвно налягане)“.

● Роля – „Ти си лекар с дългогодишен опит в семейната медицина, свикнал да обясняваш сложни медицински състояния на обикновени хора по разбираем начин“.

● Контекст – „Работиш с местна здравна клиника, която иска да предостави на пациентите си лесна за разбиране и визуално подредена брошура за високо кръвно налягане“.

● Целева аудитория – „Възрастни хора между 45 и 75 години, които не разбират медицинска терминология, често пропускат прием на лекарства и не осъзнават дългосрочните рискове“.

● Тон и стил – „Спокоен, подкрепящ и ясен. Без медицински жаргон. С примери от ежедневието“.

● Изходен формат – „Текст за А5 брошура (двустранна), разделен на 3 секции – какво е хипертония, какво причинява тя, какво можеш да направиш още днес“.

Ето и един лош пример – Дай ми идеи за декориране на хола. Даването на повече контекст би довело до получаването на по-добър резултат. Например – Имам хол 5х4 метра на шпакловка и замазка. Искам да го обзаведа така, че да има нещо модерно създаващ спокойствие стил. Дай ми 3 предложения какво мога да направя. Всяко предложение трябва да включва цвят на стената, стил на обзавеждане, декор и някои възможни мерки. Резултатът да е под формата на кратък списък“.

Един от основните проблеми в ранните етапи на развитието на LLM беше липсата на структура при формулирането на инструкциите. С натрупването на практически опит бяха разработени няколко метарамки, които систематизират процеса на създаване на висококачествени промптове. Тези рамки служат като когнитивни шаблони, които гарантират, че всички необходими елементи за успешното изпълнение на задачата са включени в инструкцията.

Най-известната сред тях е рамката TCREI (Task, Context, References, Evaluate, Iterate) представлява цялостен жизнен цикъл за развитие на промпт, който се фокусира върху итеративното подобрение. Тя е разработена като част от програмите за обучение на Google и акцентира върху концепцията, че промптването не е еднократно събитие, а процес на непрекъснато рафиниране.

– Task (задача). Ясно дефиниране на крайната цел. Инструкцията трябва да използва силни глаголи за действие (напр. „анализирай“, „генерирай“, „класифицирай“) и да определя желаната роля (персона) на модела.

– Context (контекст). Предоставяне на фонова информация, която определя границите на задачата. Това включва целевата аудитория, желания тон и специфични ограничения.

– References (референции). Използване на примери (few-shot prompting) или външни източници на данни. Референциите служат като „чертеж“ за модела, като намаляват риска от халюцинации.

– Evaluate (оценка). Критичен преглед на генерирания резултат. Потребителят трябва да анализира дали отговорът съответства на зададените критерии за точност и стил.

– Iterate (итерация). Нанасяне на корекции в промпта въз основа на оценката. Този етап е ключов за преминаване от посредствен към отличен резултат.

Рамката CRISP (Context, Role, Instruction, Subject, Preset, Exception) е оптимизирана за сценарии, изискващи висока степен на формализация и предвидимост. Тя разширява стандартните модели чрез включване на компонента Exception (изключения), който изрично посочва какво моделът не трябва да прави. Вариацията CRISPY добавя елемента Yielding (отстъпване/продуктивност), който насърчава модела да задава уточняващи въпроси, преди да предостави окончателен отговор. Това е фундаментален механизъм за намаляване на несигурността при сложни бизнес задачи, където началните изисквания често са непълни.

Рамката RISE (Role, Input, Steps, Expectation) е проектирана за алгоритмични и процесно ориентирани задачи. Тя разделя инструкциите на логически стъпки, което е особено ефективно за образователни цели или технически наръчници. Добавянето на компонент Narrowing (стесняване) в модела RISEN позволява въвеждането на строги граници за обема на изхода.

Минималистичният подход ACT (Action, Context, Tone) е подходящ за бърза ежедневна комуникация и маркетинг. Той се фокусира върху емоционалния отпечатък и стилистиката на текста.

Рамката GRWC (Goal, Role, Workflow, Constraints) е често използвана при разработването на автономни ИИ агенти. Тя дефинира сложни работни потоци и механизми за безопасност, които гарантират спазването на специфични протоколи.

Формула за текст от чатбот. Роля – задача – контекст (правила, ограничения) – разсъждения (как да мисли преди да отговори) – изход – стоп (кога задачата свършва). Пример – ти си финансов съветник за малък бизнес. Задачата ти е да създадеш месечен бюджетен план. Контекст (правила и ограничения): бизнесът е в България и печели 5000 евро на месец. Първо разпредели бюджета на фиксирани разходи, после на променливи и задължително отдели част за спестяванията. Покажи резултата като таблица с приходи, фиксирани разходи, променливи разходи и спестявания. Спри, когато създадеш само един месечен план.

Формула за създаване на изображение. Фокус и основен обект – рендиране, стил или ниво на реализъм – атрибути и детайли за обекта –камера, обектив, осветление – среда, фон, дълбочина. Пример – фокусът е собственик на малко кафене, който прави лате. Създай реалистична лайфстайл фотография. Допълнителни атрибути: да има жена на 40 години, с престилка и пара, издигаща се от чашата. Средата да е уютен интериор на кафене, дървен плот, размазани клиенти на заден план. Да има естествена сутрешна светлина през прозореца, 35 мм обектив, меки сенки.

Формула за създаване на видео. Местоположение и атмосфера на сцената – актьор, който е на екрана – действие и движение на камерата – времетраене, начален кадър, краен кадър. Пример – сцената е модерен домашен офис вечер, включена настолна лампа. Актьорът е млад предприемач, пише на лаптоп и мисли. Движението на камерата е бавно и се премества от страничен ъгъл към изглед през рамо. Той спира и се усмихва на екрана. Продължителността на клипа е 10-секунден непрекъснат кадър. Започва в широк ъгъл. Край в близък план на светещия екран на лаптопа.

Една от най-значимите иновации в промпт инженеринга е откритието, че езиковите модели могат да подобрят своята способност за логическо разсъждение, ако им бъде указано да генерират стъпка по стъпка. Това се нарича мисловна верига. Терминът означава техника на прилагане на промптове по начин, по който моделът да бъде насърчен да имитира последователни (стъпка по стъпка) разсъждения. Обърнете внимание, че когато караме модела да реши уравнение, той се опитва да отговори директно. Като хора ние също не можем да решим сложни уравнения без помощта на лист и химикал. Възможно е обаче посредством промпта да насърчите модела да направи няколко междинни разсъждения. По този начин, както решават хората на хартия, така и моделът би могъл да реши по-сложни проблеми, ако му дадете време да помисли. Опитно е установено, че ако се добави фразата мисли стъпка по стъпка в края на промпта, на модела се дава възможност да се справи с по-сложни мисловни проблеми.

Тази техника на мисловната верига се нарича стратегия на нулев изстрел и е представена за първи път от колектив през 2022 г. Терминът нулев изстрел (zero-shot) означава, че моделът не разчита на специфични за задачата примери, за да направи разсъжденията, а трябва да се справи с проблема въз основа на своята базисна подготовка. За разлика от техники от типа на обучението с няколко изстрела (few-shot learning), които изискват моделът да е виждал примери на задачата, обучението с нулев изстрел се опитва да генерализира проблема без необходимостта от специфични примери.

 При техниката на обучението с няколко изстрела ние даваме примери с входни данни и съответните желани резултати. След това на последния ред поставяме промта, който желаем да бъде завършен. Естествено, езиковият модел ще изпълни задачата, следвайки шаблона от предоставените му примери. Обучението с няколко изстрела (примера) е мощен аспект на големите езикови модели, тъй като ги прави изключително гъвкави и адаптивни, като само с ограничено количество допълнителна информация могат лесно да бъдат пригодени за изпълнението на различни специфични задачи.

За задачи, които изискват изследване на алтернативи или стратегическо предвиждане (lookahead), линейният процес на мисловната верига често е недостатъчен. Тук на помощ идва рамката дърво на решенията – Tree of Thoughts (ToT) (Yao et al. 2023). ToT позволява на езиковия модел да поддържа дървовидна структура от „мисли“, където всеки възел представлява междинна стъпка към решението. Методологията на ToT се опира на четири основни стълба:

– декомпозиция на мислите – превръщане на процеса в поредица от дискретни езикови последователности;

– генератор на мисли – моделът предлага множество независими пътища за следващата стъпка (например чрез Breadth-First Search или Depth-First Search);

– евристична самооценка – моделът действа като критик, оценявайки шансовете за успех на всеки клон от дървото (напр. „сигурно“, „възможно“, „невъзможно“);

– търсене в пространството: Комбиниране на генерирането на отговор с алгоритми за търсене, което позволява на модела да се връща назад (backtracking), ако текущият път се окаже задънена улица.

Тези рамки доближават поведението на LLM до теорията за дуалните процеси в човешкото мислене – бавен, съзнателен и аналитичен процес.

Image

Фигура 56. Процес на промт инженеринг

Нека да проследим изпълнението на задача за направа на чатбот, който да генерира отговори на мейлите, получавани във вашата компания. Вие желаете да се генерират такива отговори, които да запазят ви стила ви на писане. За това има два подхода – или да използвате техниките на промт инженеринг, или да направите фина настройка на съществуващия модел.

На първо място, трябва да предоставите на AI данни за конкретната бизнес сфера, за други запитвания и техните отговори. След това може да използвате тези данни, за да настроите фино съществуващия модел, така че той да овладее както конкретните езикови шаблони, използвани от компанията ви, така и специфичната лексика. С помощта на фина настройка на теглата в съществуващите LLM може да създадете високо персонализиран и специализиран генератор за отговори на имейли, съобразен с езиковите шаблони и лексиката, характерни за вашата конкретна бизнес сфера.

Image

Фигура 57. Процесът на фина настройка

Промпт инженерингът и обучението с нулев или няколко изстрела не променят вътрешните параметри на модела, докато фината настройка представлява допълнително обучение върху специфичен масив от данни (обикновено в JSONL формат). Качеството на данните и експертната им проверка са критични за успеха на фината настройка (Goodfellow et al. 2016).

Познаването и прилагането на техниките за промпт инженеринг, zero-shot и few-shot обучение, мисловни вериги и фина настройка позволяват създаването на ефективни, мащабируеми и целево ориентирани AI приложения. Чрез прецизно управление на контекста, задачата и формата на отговора взаимодействието с генеративния изкуствен интелект може да бъде превърнато в мощен инструмент за анализ, обучение и вземане на решения в отбраната и извън нея.

За да научите как по-ефективно да си сътрудничите с чат формата на изкуствен интелект, опитайте това упражнение:

– помолете AI да обясни абстрактна или сложна концепция по ваш избор (например „невронни мрежи“);

– след това поискайте да преработи обяснението, за да пасне на конкретна аудитория, като уточните тона и стила (например дете);

– след това аудиторията и целта се променят отново (например предприемач, за да мотивира екипа си);

– накрая, помолете ИИ да анализира трите различни обяснения, които е предоставил, и да предложи как тези различни гледни точки могат да обогатят цялостното ви разбиране за концепцията.

Днес начинът на работа на хората постепенно еволюира от писане на единичен промпт към проектиране на цял контекст и система около модела, затова промпт инженерингът постепенно се разширява и прелива в по-широка дисциплина наречена контекст инженеринг. Контекст инженеринг е системното проектиране, събиране и управление на информацията, която влиза в контекстовия прозореца на модела, за да изпълнява надеждно сложни задачи. Контекст инженерингът е изкуството и науката за запълване на контекстния прозорец с точно необходимата информация за следващата стъпка. Всичко, което моделът казва в резултат, е функция на този контекст. Това обхваща не само промта, а цялата информационна система, около модела, в която влизат:

– системния промпт и настройки;

– потребителското съобщение, текущият въпрос и историята на разговора;

– извличане на релевантни документи (RAG, външни източници, бази знания);

– обработка на контекста (филтриране, обобщаване, вграждане);

– управление на памет (история на профила, предишни сесии, памет, настройки на акаунта);

– интеграция с инструменти и агенти (API, конектори, резултати от търсене, кодове);

– текущ статус на задачата.

Ако контекстът е шумен, непълен или лошо структуриран, то качеството на отговора се влошава. Ако контекстът е прецизен, уместен и организиран, моделът се държи интелигентно. Добрият контекст инженеринг намалява шума и увеличава съотношението сигнал – шум, намалява разходите и латентността, с по-малко токени се дават по-бързи отговори и по-ниски такси за API. Той също така спира халюцинациите и повтарянето на въпроси.

Тъй като контекстният прозорец е ограничен (от 8K до 200K+ токена), трябва да прилагаме инженерни методи:

– обобщаване на историята – вместо да предавате 100 съобщения, ги заменете с един компресиран списък от ключови факти;

– евристично филтриране – премахване на безполезни съобщения като „Здравей“, „Благодаря“, „Ок“;

– филтриране по актуалност – пазене само на последните N съобщения;

– филтриране по сходство – запазване само на тези части от историята, които са семантично свързани с текущия въпрос.

Целта е да се „управлява ограниченото внимание на модела“ – какво точно да има в контекст прозореца във всеки момент. Така контекст инженеринг включва промпт инженеринг като поддисциплина (как да формулираш инструкции), но добавя архитектура, данни, памет, сигурност.

Image

Фигура 58. Промпт инженеринг и контекст инженеринг

Универсални промптове и примери за работа с Grok, Gemini и ChatGPT:

1. Създаване на интерактивни инструменти и приложения. Промт: Ти си софтуерен архитект, специализиран в no-code и low-code системи, използващи HTML, JavaScript и уеб API. Проектирай напълно функционален интерактивен инструмент въз основа на тази идея: [описание на идея]. Осигури подредбата на интерфейса, логическия поток и инструкциите стъпка по стъпка за изпълнение. Инструментът да отговаря на всички изисквания за сигурност, стандарта за достъпност и да използва schema.org.

2. Превръщане на всяка концепция в инфографика. Промпт: Ти си отличен визуален дизайнер. Превърни тази концепция във визуална инфографика с Mermaid.js, SVG или HTML или друг формат, базиран на код: [концепция]. Направи блок схема, времева линия, концептуална карта или дърво на решения, когато е подходящо, включи прост надпис и осигури чист, готов за копиране код, който е минималистичен, четим и готов за презентация.

3. Създаване на готова за споделяне уеб презентации с отзивчив HTML. Промпт: Действай като консултант по стратегия, проектирайки уеб презентация на тема [вмъкнете тема]. Използвай принципа на пирамидата Проблем → Прозрение → Препоръка. Създай 10 кратки слайда, всеки с ясно заглавие и 3 – 5 точки. Включи адаптивен HTML/CSS за мобилни устройства. Фокусирай се върху яснота, анализ и дизайн, готов за ръководители, като презентация на МакКинси.

4. Направете го преподавател и учете със собствено темпо. Промпт: Ти си световноизвестен частен учител. Научи ме на [тема] като мотивиран начинаещ. Осигури структуриран учебен план в достъпни секции, включи аналогии и обяснения стъпка по стъпка, тренировъчни въпроси с отговори и кратки резюмета след всяка секция. Използвай топъл, сократически тон и направи пауза, за да се увериш, че съм разбрал, преди да продължиш.

5. Създаване на съдържание – бюлетини, теми, YouTube скриптове. Промпт: Ти си топ стратег по съдържание и копирайтър. Напиши [тип съдържание: бюлетин, пост за Facebook, YouTube скрипт и др.] на [тема]. Нека да съответства на тона и стила на [създател или бранд], използвай „куки“, плавни преходи и емоционални тригери, направи го приложим и разговорен, предложи заглавие и завърши със силен CTA (Call to Action), което на български се превежда като „Призив за действие“. Изходът трябва да се усеща човешки и емоционален, а не генериран от изкуствен интелект.

6. Писане на дълги доклади и книги. Промпт: Вие сте старши консултант, който пише бяла книга за технологично грамотна аудитория. Тема: [тема]. Включете изпълнително резюме, пазарни тенденции с данни, ключови предизвикателства, бъдещи прогнози, казуси и финален призив за действие. Използвайте ясен, убедителен език и подкрепяйте твърденията с доказателства или примери.

7. Обобщаване на дълги документи в PDF. Промпт: Ти си старши анализатор, опитен в техническите и академичните документи. Обобщи приложения документ, фокусирайки се върху ключови открития, критични данни и стратегически последици. Използвай удебелени заглавия, точки и ясен език. Завърши с препоръчителни следващи стъпки или ключови решения. Целева дължина – една страница.

8. Асистент за вземане на решения. Промпт: Действай като стратегически бизнес съветник. Оцени това решение: [опишете проблема или бизнес идеята]. Направи SWOT или анализ на риск и ползи, ключови потребителски профили или пазарни сегменти и картографирай възможни пътища с плюсове, минуси и препоръчани действия. Задавай уточняващи въпроси, ако е необходимо. Мисли като партньор във фирма за рисков капитал или стартъп студио. Предоставяй приложими препоръки и сравнителни данни строго в кратки точки и таблици.

9. Генератор на бизнес идеи. Промпт: Предложи 5 бизнес идеи, базирани на моите интереси: [вашите интереси]. Направи ги модерни, дигитално ориентирани и осъществими за самостоятелно изпълнение. Генерирай 5 уникални, запомнящи се брандови имена за този бизнес, който решава [проблем] за [целевата аудитория]. Обясни логиката за всяко име.

10. Проект на календар за съдържание. Промпт: Анализирай съдържанието ми във Facebook [сложете съдържанието] и ми дай препоръки за подобряване. След това изготви месечен календар за съдържание за промотиране на [бизнес или продукт] във Facebook. Включи съответните теми и честота на публикуване. В предлаганите публикации генерирай високоефективни куки – привличащ вниманието елемент.

Няколко скрити промта за бързо създаване на изображения

Познаването и прилагането на техниките за промпт инженеринг, zero-shot и few-shot обучение, мисловни вериги и фина настройка позволява създаването на ефективни, мащабируеми и целево ориентирани AI приложения. Чрез прецизно управление на контекста, задачата и формата на отговора взаимодействието с генеративния изкуствен интелект може да бъде превърнато в мощен инструмент за анализ, обучение и вземане на решения в отбраната и извън нея.

Писането на промптове за картинки е като да имаш Ferrari, но да го караш на първа скорост. Повечето хора спират до „нарисувай самолет“, при положение, че има преки команди които да ви изкарат професионален резултат. Професионалистите добавят направо една от тези 12 команди и получават съвсем различно ниво. Ето най-добрите AI визуални преки пътища, които ползвам ежедневно и работят в Gemini и GhatGPt:

01. /explodedview – разглоби всичко на части – идеален за обясняване на техника;

02. /xray – покажи скритото вътре;

03. /stickynotes – добави ръкописни бележки;

04. /blueprint – превърни в технически чертеж;

05. /sketch – в ръчна скица;

06. /crosssection – разрежи и покажи вътрешността;

07. /cutaway – премахни секции за детайли;

08. /render – полиран 3D вариант;

09. /diagram – обясни с проста диаграма;

10. /beforeafter – преди и след;

11. /infographic – информативна визуализация;

12. /photorealistic – направи като истинска реалистична снимка.