# Поигрался на выходных с автопромтингом

> Хорошо и сразу из коробки - это перебор Few-Shots примеров. Все остальное придется также отрабатывать ручками и подбирать оптимальные варианты.

Статья · Алексей Ишманов · 14 июля 2025 · https://aleksishmanov.ru/blog/poigralsya-na-vyhodnyh-s-avtopromtingom/

Хорошо и сразу из коробки - это перебор Few-Shots примеров. Все остальное придется также отрабатывать ручками и подбирать оптимальные варианты.

Как работает APE-фреймворк и его стратегии
**1. Генерация**
Берется голый prompt без детализации, датасет, LLM-ученик классифицирует заявки, LLM-учитель подороже.
**2. Оценка**
Ученик собирает разные вариации демо-выборки для обучения и показывает мысли и выводы. Учитель критикует и предлагает мутации.
**3. Отбор&итерация**
Лучшая формулировка Prompt+FewShots идет в следующий раунд, отбор повторяется 3-5 раз
**4. Финал**
Побеждает тот у кого лучше метрика - выводится лучший Prompt. Он отправляется в Production
.
**Что у меня вышло?**
Базовый Prompt сгенерированный своей логикой + подсказами от openai-o3 занимают 10-15 минут времени и уже выдадут неплохие результаты. Разница с APE будет на 1-2 пункта. Бюджет несопоставимый, за подписку в 20$ и 15 минут времени можно сгенерировать гораздо больше полезных Prompt-ов под личным наблюдением. Тренировка на OpenRouter потратит 10-15$ без особо заметных приростов.

**Где уместно применять?**
В задачах, где есть готовый датасет и LLM простыми манипуляциями соберет классификатор. Но повышать качество дальше нужно ручками, анализировать данные и обосновывать почему и как был выбран каждый из вариантов

**Есть ли все же польза?**
Впринципе неплохо помогает для простых Prompt-классификаторов. Где не нужна сложная логика и достаточно сказать "выбери варианты", "вот примеры". Оптимизатор неплохо подбирает примеры и инструкции. Где-то в больших проектах или на готовых Prompt-ах не будет особо полезным