Чтобы нейросеть не подмешивала свои знания, в запросе нужно явно задать роль, границы источника и правило на случай нехватки данных. Дальше ответ проверяют по исходнику: любое утверждение, которого нет в вашем тексте, считается ошибкой и удаляется.
Почему нейросеть по умолчанию добавляет факты не из вашего текста
Модель не «знает», где заканчивается ваш текст и начинаются её собственные сведения. Она обучена предсказывать продолжение на огромном корпусе общих данных, и этот корпус остаётся активным фоном при любом запросе. Поэтому по умолчанию она ведёт себя как собеседник, который стремится дать полезный и полный ответ: если в присланном материале чего-то не хватает, она дополнит его из того, что усвоила при обучении.
Такое поведение не сбой, а нормальная логика работы. Для модели «помочь» означает закрыть пробелы, сгладить противоречия и добавить контекст, которого вы не просили. Чем увереннее звучит тема, тем охотнее она подставляет общие формулировки: определения, типовые примеры, общепринятые рекомендации. Внешне это выглядит как качественный ответ, но проверить его по вашему исходнику уже нельзя — часть утверждений взята из другого места.
Отдельно стоит учитывать, что модель не различает источники так, как это делает человек с текстом перед глазами. Для неё ваш материал и заученные сведения существуют в одном пространстве, и граница между ними не проведена. Пока вы не обозначите её словами, у модели нет причины держаться только за присланный фрагмент.
Практический вывод простой: ограничение на источники нужно задавать явно в каждом запросе. Роль, границы материала и правило на случай нехватки данных — это не вежливые уточнения, а условие, которое меняет то, из чего модель строит ответ. Без такого условия она по умолчанию считает пробелы в вашем тексте приглашением их заполнить.
Модель дополняет ответ не потому, что игнорирует ваш текст, а потому, что вы не запретили ей выходить за его пределы.
Три части запроса, которые удерживают модель внутри вашего текста
Роль и задача без двусмысленности
Начните с того, кем модель должна себя считать в этом запросе. Формулировка «ты — редактор, который работает только с предоставленным текстом» задаёт рамку лучше, чем просто просьба «не добавляй лишнего». Роль должна включать и ограничение: не помощник с общими знаниями, а исполнитель конкретной операции над вашим материалом.
Явная граница источника
Границу задают прямым указанием, что считать допустимым материалом. Модель должна понимать: всё, чего нет в переданном фрагменте, для неё не существует — даже если она «знает» иначе.
- Назовите источник и его границы: «текст ниже», «файл в сообщении».
- Запретите внешние факты, примеры и цифры.
- Разрешите переформулировать и сокращать, но не дополнять.
Что делать, если данных не хватает
Без этого правила модель начнёт заполнять пробелы собственными сведениями. Задайте явное поведение: сообщить, что в тексте нет нужного фрагмента, и остановиться, а не догадываться. Шаблон ниже собирает все три части вместе.
Ты — редактор, работающий только с текстом ниже.
Источник: фрагмент между маркерами BEGIN и END.
Не используй внешние знания, примеры и цифры.
Можно сокращать и переформулировать, нельзя добавлять факты.
Если нужных сведений в тексте нет — напиши
«в материале этого нет» и не заполняй пробел сам.
BEGIN
[ваш текст]
END
Задача: [что именно сделать]Такой запрос оставляет модели одну опору — ваш материал, и убирает повод обращаться к сторонним сведениям.
Готовые формулировки запрета на внешние источники
Формулировки различаются по степени жёсткости: одни оставляют модели пространство для общих знаний, другие полностью его перекрывают. Мягкий вариант подходит, когда нужно объяснить термин из вашего текста простыми словами. Жёсткий — когда важна каждая деталь и любое дополнение искажает результат.
- Мягкий запрет: «Опирайся прежде всего на мой текст. Если для объяснения нужен общеизвестный термин, дай его краткое определение и пометь, что оно не из материала».
- Средний уровень: «Используй только сведения из текста ниже. Общие понятия раскрывай своими словами, но не добавляй новых фактов, чисел и примеров».
- Жёсткий запрет: «Источник — только фрагмент между маркерами. Не привлекай внешние знания, не дополняй текст, не исправляй его факты. Если данных нет, напиши: «В материале об этом не сказано»».
- Запрет с проверкой: «После каждого утверждения укажи фразу из текста, на которой оно основано. Утверждения без опоры на источник удали».
- Запрет на домысливание: «Не делай выводов, которых нет в тексте явно. Не обобщай и не экстраполируй».
Жёсткая формулировка уместна, когда вы сверяете ответ с исходником построчно. Мягкая — на этапе черновика, где важнее связность, чем точность. Смешивать уровни в одном запросе не стоит: модель выберет то правило, которое ей удобнее обойти.
Добавляйте запрет в конец запроса, после самого текста, — так он действует как последняя инструкция и реже теряется в длинном контексте.
Как проверить, что модель не вышла за пределы вашего материала
Проверка начинается с того, что вы читаете ответ с исходником перед глазами, а не по памяти. Каждое утверждение модели мысленно (или буквально, маркером) привязывайте к конкретному фрагменту своего текста. Если привязки нет — это кандидат на удаление, даже когда формулировка звучит правдоподобно и совпадает с тем, что вы знаете о теме.
Удобно разбить сверку на шаги, чтобы не пропускать целые куски ответа.
- Разделите ответ на отдельные утверждения — по одному факту в каждом.
- Для каждого найдите место в исходнике: абзац, предложение, строку.
- Отметьте утверждения без опоры на текст — их либо убирают, либо переписывают вашими словами.
- Проверьте числа, даты и названия посимвольно: мелкие подмены заметны хуже всего.
- Отдельно просмотрите выводы и обобщения — модель любит добавлять их от себя.
Полезно задать модели вопросы о самом источнике: «в каком абзаце сказано то-то», «чего в тексте нет». Ответы тоже сверяйте — модель может уверенно сослаться на фрагмент, которого не существует. Если ссылка не находится, считайте утверждение неподтверждённым.
Пометки помогают не терять контроль при повторных правках. Помечайте подтверждённое, спорное и добавленное моделью разными знаками и сохраняйте эту разметку рядом с текстом. Тогда при следующей итерации видно, что уже проверено, а что появилось заново.
Сравнение подходов: промпт, загрузка файла и база знаний
Выбор способа ограничения зависит от объёма материала и того, как часто его придётся использовать. Если текст короткий и разовый, хватит словесного запрета в самом запросе. Если материал объёмный, но нужен один раз, проще приложить файл. Если с источником предстоит работать регулярно, оправдана отдельная база знаний.
Текстовый запрет работает без дополнительных инструментов и подходит для небольших фрагментов, которые можно вставить прямо в сообщение. Ограничение — модель видит текст только в рамках одного диалога, а при длинном материале часть его может потеряться.
Прикреплённый файл снимает проблему объёма: документ передаётся целиком, и модель обращается к нему, а не к памяти. Такой вариант удобен для разовой задачи — отчёта, договора, статьи, — но при каждом новом запросе файл приходится загружать заново.
База знаний с поиском по документам нужна, когда источников много и они обновляются. Модель находит релевантные фрагменты и отвечает по ним, однако требует настройки и не гарантирует, что в выдачу попадёт нужный раздел.
| Параметр | Запрет в промпте | Прикреплённый файл | База знаний |
|---|---|---|---|
| Объём материала | Небольшой | Средний и большой | Любой, много документов |
| Частота использования | Разово | Разово | Регулярно |
| Подготовка | Не требуется | Минимальная | Требуется настройка |
| Обновление данных | Вручную в тексте | Новая загрузка | Дозагрузка в хранилище |
| Риск потери фрагмента | Высокий при объёме | Низкий | Средний |
Типичные ошибки, из-за которых модель всё равно берёт внешние факты
Даже при явном запрете модель нередко возвращается к собственным знаниям. Причина почти всегда в самом запросе: формулировка оставляет лазейку, и модель пользуется ею как разрешением.
Ниже — промахи, которые встречаются чаще всего.
- Общая формулировка вместо правила. Просьба «опирайся на текст» звучит как пожелание, а не как ограничение. Модель считает допустимым дополнить ответ тем, что считает полезным.
- Длинный контекст без разметки. Когда инструкция, вопрос и исходный материал идут сплошным потоком, модель путает, что именно является источником, и подставляет свои сведения.
- Вопросы за пределами текста. Запрос, ответа на который в материале нет, вынуждает модель заполнить пробел. Она делает это правдоподобно и без пометки, что данных не хватило.
- Доверие к гладкому ответу. Связный и уверенный тон воспринимается как признак точности, хотя внешние факты встраиваются в текст незаметно, без ссылок на источник.
- Отсутствие правила на случай нехватки данных. Если не сказано, что делать при пробеле, модель выбирает самый вероятный вариант — дополнить ответ.
Отдельно стоит промах в проверке: сверяют общий смысл ответа, а не каждое утверждение. Достаточно одного предложения, которого нет в исходнике, чтобы результат перестал быть вашим.
Исправляется это точностью запроса: границы источника обозначены, поведение при нехватке данных задано, а проверка идёт по каждому факту.
Чек-лист перед отправкой запроса
Перед отправкой запроса пройдите по короткому списку проверок — он занимает меньше минуты и снижает риск, что модель подмешает посторонние сведения.
- Источник приложен и доступен. Текст вставлен в сообщение или загружен файлом, а не описан словами «у меня есть документ про…». Модель работает только с тем, что реально видит.
- Роль задана. В начале запроса указано, кем выступает модель: редактор вашего черновика, аналитик по приложенному отчёту, составитель выжимки из инструкции.
- Границы источника прописаны явно. Есть фраза о том, что отвечать можно только по приложенному материалу, а внешние знания и общие сведения привлекать нельзя.
- Правило на случай нехватки данных сформулировано. Модель должна знать, что делать, если ответа в тексте нет: сообщить об этом прямо, а не додумывать.
- Формат ответа задан. Указано, нужны ли ссылки на фрагменты исходника, цитаты или нумерация пунктов — так проверять ответ будет проще.
- Вопрос не подталкивает к догадке. Формулировки вроде «какие ещё причины возможны» провоцируют модель выйти за рамки материала. Спрашивайте о том, что есть в тексте.
- Есть план проверки. Заранее решите, как будете сверять ответ с исходником: построчно, по абзацам или по каждому утверждению.
Если хотя бы один пункт не выполнен, запрос лучше переписать до отправки. Исправлять ответ постфактум дольше, чем добавить одну строку с ограничением.
Частые вопросы
Достаточно ли написать «не используй внешние источники»?
Сама по себе эта фраза работает слабо: модель может решить, что общие знания — это не «источник». Надёжнее указать, что единственный допустимый материал — приложенный текст, и что при нехватке данных нужно прямо об этом сказать.
Что делать, если модель отвечает «в тексте нет такой информации»?
Это ожидаемое поведение, а не сбой. Проверьте, действительно ли нужный факт есть в исходнике: возможно, формулировка в тексте отличается. Если факта нет, добавьте его в материал или разрешите модели явно отметить пробел.
Можно ли запретить нейросети домысливать, но оставить пересказ своими словами?
Да. Запрет касается источников фактов, а не формулировок. В запросе укажите: пересказывать можно своими словами, но каждое утверждение должно опираться на фрагмент исходного текста.
Поможет ли загрузка файла вместо вставки текста в чат?
Часто да: прикреплённый файл модель воспринимает как основной материал и реже смешивает его с общими знаниями. Но правило «не добавлять внешние факты» всё равно стоит прописать в запросе.
Как быстро найти в ответе места, где модель отошла от текста?
Попросите её после каждого утверждения указывать фрагмент исходника, на который оно опирается. Утверждения без такой ссылки проверяйте в первую очередь.
Это то же самое, что работа с моим текстом по шаблону?
Нет. Шаблон задаёт форму и структуру ответа, а здесь речь об источниках: откуда модель берёт факты. Эти задачи решаются разными формулировками и часто сочетаются в одном запросе.