Техники промптинга
Каталог техник от базовых до экспертных — с примерами, сравнениями и практическими советами.
Агентные 37
ADaPT
ADaPT в 2026: as-needed decomposition and planning, когда агент дробит задачу только там, где это действительно нужно, а не раскладывает всё подряд.
API-Bank
API-Bank в 2026: tool-use benchmarking и training corpus для агентных систем, когда API planning, retrieval и calling оцениваются как отдельные навыки.
ART
ART в 2026: Automatic Reasoning and Tool-use, когда модель автоматически подбирает и воспроизводит программы рассуждения с инструментами, а не опирается только на ручные few-shot примеры.
AutoGen
AutoGen в 2026: multi-agent conversation как orchestration pattern, где роли, инструменты и человек могут быть узлами одной conversational системы.
CAMEL
CAMEL в 2026: role-playing multi-agent pattern, где агенты получают чёткие роли и координируются через task framing, а не через хаотичный общий диалог.
Chameleon
Chameleon в 2026: plug-and-play compositional reasoning, где LLM-планировщик собирает цепочку из внешних модулей для multimodal и knowledge-intensive задач.
Generative Agents
Generative Agents в 2026: memory-reflection-planning architecture для правдоподобного долгоживущего поведения агентов.
Gorilla
Gorilla в 2026: API-aware agent pattern, где модель учится выбирать и вызывать нужные инструменты по документации, а не по хрупкой памяти о синтаксисе API.
HuggingGPT
HuggingGPT в 2026: orchestration-паттерн, где LLM выступает диспетчером для множества специализированных моделей и сервисов под конкретную задачу.
Inner Monologue
Inner Monologue в 2026: closed-loop planning с языковой обратной связью, когда агент не просто планирует, а постоянно обновляет внутренний текстовый state по данным среды.
LATM
LATM в 2026: Language Models as Tool Makers, когда одна модель создаёт и кэширует reusable tools, а другая использует их для последующих задач.
LLM Compiler
LLM Compiler в 2026: compile-time orchestration для агентов, когда план, зависимости и parallelizable tool calls строятся заранее, а не только в runtime loop.
MM-ReAct
MM-ReAct в 2026: multimodal reasoning and action, когда LLM координирует пул vision experts через ReAct-like loop.
MRKL Systems — модульные агенты
Архитектурный паттерн для tool routing: LLM не решает всё сама, а направляет части задачи к специализированным модулям и сервисам.
MemGPT
MemGPT в 2026: иерархическая память для агентов, где LLM управляет fast context и внешним long-term store почти как ОС управляет RAM и диском.
Meta-Prompting
Внутримодельная orchestration-техника: одна LLM координирует несколько виртуальных ролей и синтезирует ответ из их перспектив.
MetaGPT
MetaGPT в 2026: SOP-driven multi-agent workflow, где Standard Operating Procedures вшиваются в collaboration pattern агентов.
Mixture-of-Agents (MoA)
Ensemble-паттерн для quality-first систем: несколько моделей предлагают варианты, а агрегатор синтезирует более сильный итоговый ответ.
Multi-Agent Debate
Несколько агентов обмениваются аргументами и пересматривают ответы по раундам, чтобы ловить ошибки в reasoning, а не только голосовать.
ProgPrompt
ProgPrompt в 2026: программоподобные планы для агента, где действия описываются в виде исполнимого сценария, а не как расплывчатый текстовый план.
ReAct — Reasoning + Acting
Базовый agent loop: модель чередует reasoning, tool calls и observations, чтобы не гадать в вакууме, а двигаться по среде.
ReWOO
ReWOO в 2026: decoupling reasoning from observations, когда агент сначала строит план и переменные, а потом исполняет их без постоянного interleaving после каждого tool call.
RestGPT
RestGPT в 2026: coarse-to-fine planning для REST APIs, когда агент сначала планирует задачу, затем выбирает endpoints и только потом формирует параметры вызовов.
SayCan
SayCan в 2026: grounding language plans в affordances, когда LLM предлагает высокоуровневые действия, а система проверяет, какие из них реально выполнимы.
Socratic Models
Socratic Models в 2026: zero-shot композиция разнородных foundation models через язык как общий интерфейс между ними.
Structured Reflection
Structured Reflection в 2026: рефлексия агента по явной схеме ошибок и улучшений, когда post-mortem должен быть кратким, полезным и пригодным для следующего шага.
TALM
TALM в 2026: Tool Augmented Language Models, когда LLM учится опираться на внешние инструменты для приватных, свежих или вычислительных задач.
ToRA
ToRA в 2026: tool-integrated reasoning для математики, где LLM сочетает natural language reasoning с вычислительными инструментами и symbolic solvers.
ToolLLM
ToolLLM в 2026: tool-use over large API spaces, когда модель должна не просто вызвать инструмент, а выбрать его среди тысяч API и корректно построить цепочку вызовов.
Toolformer — самообучение использованию инструментов
Training-oriented идея, где модель учится сама понимать, когда нужен внешний инструмент, а не ждать ручного жёсткого сценария.
ToolkenGPT
ToolkenGPT в 2026: масштабируемое tool-use через tool embeddings, когда инструменты представлены почти как специальные токены внутри модели.
ViperGPT
ViperGPT в 2026: visual reasoning через генерацию и исполнение Python-кода, где LLM собирает программу из vision-модулей вместо end-to-end ответа.
Visual ChatGPT
Visual ChatGPT в 2026: multi-step orchestration над visual foundation models, где чат-модель становится маршрутизатором и интерфейсом для visual tools.
Visual Programming
Visual Programming в 2026: compositional visual reasoning без task-specific training, где LLM генерирует программу из модулей и простых операторов.
Voyager
Voyager в 2026: open-ended agent loop с навыковой памятью, когда система накапливает reusable behaviors вместо того, чтобы каждый раз стартовать с нуля.
WebGPT
WebGPT в 2026: browser-assisted answering, когда модель не отвечает "из головы", а ищет, читает страницы и собирает ответ с опорой на найденные ссылки.
Zero-Shot Planner
Zero-Shot Planner в 2026: извлечение исполнимых планов из world knowledge LLM без task-specific training, но с последующим grounding в action space.
Оптимизация 24
Active Prompting
Active Prompting в 2026: uncertainty-driven selection примеров, когда few-shot становится data problem, а не prompt-writing problem.
Adaptive-RAG
Adaptive-RAG в 2026: выбор между no-retrieval, single-step retrieval и multi-step retrieval в зависимости от сложности вопроса.
Automatic Prompt Engineer
Automatic Prompt Engineer в 2026: генерация и отбор инструкций самой моделью, когда prompt design становится не ручным искусством, а search-задачей поверх eval set.
Chain of Draft (CoD)
Chain of Draft в 2026: token-efficient reasoning, короткие промежуточные шаги и случаи, где CoD полезнее развёрнутого CoT.
ColBERT
ColBERT в 2026: late interaction retrieval, когда query и document кодируются отдельно, а fine-grained matching происходит уже на уровне токенов.
Complexity-Based Prompting
Complexity-Based Prompting в 2026: отбор не просто похожих, а достаточно сложных примеров, чтобы лучше вытягивать многошаговое reasoning.
Context-Faithful Prompting
Context-faithful prompting в 2026: как заставить модель опираться на предоставленный контекст, а не на parametric memory, особенно в RAG и grounded workflows.
Directional Stimulus Prompting
Directional stimulus prompting в 2026: лёгкие направляющие cues, keywords и lenses, которые сдвигают ответ модели в нужную сторону без полного few-shot.
Emotional Prompting — эмоциональные стимулы
Emotional Prompting в 2026: почему «это очень важно» иногда помогает, но остаётся brittle tactic и слабым nudging-слоем по сравнению с rubric, examples и schema constraints.
GRF
GRF в 2026: Generative Relevance Feedback, когда LLM генерирует feedback text для улучшения поиска без жёсткой зависимости от noisy first-pass retrieval.
Instruction Hierarchy
Instruction hierarchy в 2026: model-side идея приоритета system > user > tool/data и её практическое значение для prompt injection defense, tool safety и privilege separation.
MedPrompt
MedPrompt в 2026: composite strategy для expert tasks — dynamic few-shot, self-generated reasoning и ensembling вместо одного «волшебного промпта».
OPRO (Optimization by PROmpting)
OPRO в 2026: автоматическая оптимизация промптов через generate-score-iterate loop, evaluator-driven search и disciplined prompt tuning без ручного перебора.
PE2
PE2 в 2026: Prompt Engineering a Prompt Engineer, когда модель не сразу решает задачу, а сначала проектирует лучший prompt для самой себя.
Progressive-Hint Prompting
Progressive-Hint Prompting в 2026: пошаговое подталкивание модели подсказками из предыдущих попыток, когда один проход не дотягивает, но полный оркестратор избыточен.
Prompt Compression
Prompt compression в 2026: сокращение промптов без потери критичного смысла и различие между compression, compaction, summarization, truncation и caching.
Promptbreeder
Promptbreeder в 2026: эволюция промптов, где LLM улучшает не только task prompts, но и mutation prompts, которые улучшают их дальше.
Re-Reading (Re2)
Re-Reading в 2026: дешёвый robustness trick для задач, где модель часто пропускает детали условия, ограничения, числа и edge-case wording.
Rephrase and Respond (RaR)
Rephrase and Respond в 2026: сначала уточнить смысл вопроса для себя, потом отвечать — простой способ уменьшить misread, ambiguity и intent drift.
SPIN
SPIN в 2026: self-play fine-tuning, где модель улучшает себя, различая свои прошлые ответы и человеческие демонстрации без нового ручного preference data.
SPLADE
SPLADE в 2026: learned sparse retrieval, где модель строит разрежённые lexical expansions и возвращает эффективность inverted index без отказа от neural signals.
Skeleton-of-Thought (SoT)
Skeleton-of-Thought в 2026: outline-first generation, skeleton before expansion и управляемая декомпозиция вместо монолитного длинного ответа.
System 2 Attention (S2A)
System 2 Attention в 2026: очищение входа от шума, biasing cues и distractors перед ответом как lightweight preprocessing step для noisy prompts.
Thought Preference Optimization (TPO)
TPO в 2026: preference optimization поверх reasoning traces и почему это уже скорее training/adaptation concept, чем обычная prompt-техника.
Самопроверка 70
AdvBench
AdvBench в 2026: базовый jailbreak benchmark, который часто используют для измерения attack success rate на вредоносных инструкциях и устойчивости aligned LLMs.
Agent-SafetyBench
Agent-SafetyBench в 2026: benchmark для оценки safety у LLM agents, где проверяются риски, failure modes и устойчивость в интерактивных сценариях с tool use.
AgentBench
AgentBench в 2026: benchmark для оценки LLM как агента в интерактивных окружениях, где важны действия, state tracking и достижение цели, а не только качество текста.
AgentRewardBench
AgentRewardBench в 2026: benchmark для оценки автоматических judge-систем, которые проверяют траектории web agents и пытаются заменить ручную разметку успеха.
AndroidWorld
AndroidWorld в 2026: benchmark для mobile agents, где система должна работать с реальными Android-приложениями и выполнять задачи в динамической среде.
BEIR
BEIR в 2026: heterogeneous benchmark для zero-shot retrieval, который остаётся базовым тестом на переносимость IR-моделей между разными доменами и задачами.
BIRCO
BIRCO в 2026: benchmark для retrieval tasks with complex objectives, где важно учитывать многофакторную релевантность, а не только тематическое совпадение.
BRIGHT
BRIGHT в 2026: benchmark для reasoning-intensive retrieval, где одной лексической или семантической близости недостаточно для поиска релевантных документов.
BeaverTails
BeaverTails в 2026: крупный human-preference safety dataset, полезный и для alignment training, и для benchmark-оценки trade-off между helpfulness и harmlessness.
BiGGen Bench
BiGGen Bench в 2026: fine-grained generation benchmark, где evaluator LMs работают по instance-specific criteria вместо слишком общих labels.
CRAG
CRAG в 2026: Corrective Retrieval Augmented Generation, когда система сначала оценивает качество retrieval, а затем решает, исправлять его, дополнять веб-поиском или продолжать генерацию.
CRITIC
CRITIC в 2026: tool-interactive critiquing, где модель проверяет и улучшает собственный ответ через инструменты, а не только через ещё один текстовый проход.
Chain-of-Note
Chain-of-Note в 2026: компактные заметки по шумному контексту перед ответом, когда нужно отделить полезные сигналы от нерелевантного retrieval.
Chain-of-Verification (CoVe)
CoVe в 2026: answer -> verification questions -> independent checks -> revised answer как практический anti-hallucination и claim-check loop.
Chatbot Arena
Chatbot Arena в 2026: human-preference benchmark и leaderboard, где модели сравниваются попарно на живых пользовательских запросах, а не на фиксированном наборе тестов.
Do-Not-Answer
Do-Not-Answer в 2026: dataset и benchmark для оценки safeguards, где модель проверяют на инструкциях, которым ответ давать не следует.
EvalLM
EvalLM в 2026: interactive evaluation loop для prompt iteration, где judge оценивает outputs по пользовательским критериям и помогает дорабатывать prompt.
FacTool
FacTool в 2026: tool-augmented factuality detection, где claims выделяются и проверяются через внешние инструменты в multi-task scenarios.
Factored Verification
Factored Verification в 2026: проверка reasoning по substeps и subclaims вместо грубой оценки только финального ответа.
Faithful Chain-of-Thought
Faithful Chain-of-Thought в 2026: рассуждение, которое действительно связано с вычислением или решателем, а не просто выглядит убедительно.
G-Eval
G-Eval в 2026: LLM-based evaluation через CoT и form-filling, где judge-модель ставит оценку по явно заданным критериям.
GAIA
GAIA в 2026: benchmark для general AI assistants, где задачи требуют комбинации reasoning, tool use, multimodality и browsing, а не одного узкого навыка.
GSM8K
GSM8K в 2026: benchmark для grade-school math reasoning, который остаётся удобным тестом на арифметические цепочки рассуждений, но не покрывает весь спектр reasoning tasks.
GraphRAG
GraphRAG в 2026: graph-based retrieval для глобальных вопросов по корпусу, когда система строит сущности, связи и community summaries вместо простого top-k по chunks.
HallusionBench
HallusionBench в 2026: benchmark для entangled language hallucination и visual illusion в больших vision-language models.
HarmBench
HarmBench в 2026: стандартизированный framework для automated red teaming и robust refusal, который помогает сопоставлять атаки и защиты по единым правилам.
HumanEval
HumanEval в 2026: benchmark для code generation с unit tests, который хорошо измеряет функциональную корректность маленьких программ, но почти ничего не говорит о repo-level engineering.
IFEval
IFEval в 2026: benchmark для instruction following, который проверяет, насколько модель реально соблюдает явные ограничения и требования промпта.
Intrinsic Self-Correction
Intrinsic Self-Correction в 2026: самопоправка без внешних источников, где модель revises reasoning и answer, опираясь только на собственные внутренние сигналы.
JailbreakBench
JailbreakBench в 2026: открытый robustness benchmark для jailbreak evaluation, где стандартизированы threat model, artifacts, scoring и leaderboard.
JudgeLM
JudgeLM в 2026: fine-tuned open judge model, который масштабирует LLM-based evaluation и пытается уменьшить основные biases judge-паттерна.
KILT
KILT в 2026: benchmark для knowledge-intensive language tasks на общем Wikipedia snapshot, полезный для оценки retrieval-augmented systems через единый knowledge substrate.
LLM-as-a-Judge
LLM-as-a-Judge в 2026: использование сильной модели как оценщика открытых ответов, особенно в pairwise и multi-turn benchmark setups.
LiveCodeBench
LiveCodeBench в 2026: contamination-aware coding benchmark с постоянно обновляемыми задачами, полезный для более честной оценки современных code models.
MAIR
MAIR в 2026: massive benchmark для instructed retrieval, который проверяет, насколько retrieval и reranking модели понимают task instructions, а не только query text.
MBPP
MBPP в 2026: benchmark для beginner-friendly program synthesis, удобный для быстрых coding evals и сравнения instruction-following code models на небольших задачах.
MIRACL
MIRACL в 2026: multilingual retrieval benchmark на 18 языках, который помогает измерять, насколько IR-система переносится за пределы английского мира.
MIRACL-VISION
MIRACL-VISION в 2026: multilingual visual document retrieval benchmark, который проверяет, насколько системы умеют искать по страницам и layout-heavy документам, а не только по plain text.
MM-BRIGHT
MM-BRIGHT в 2026: multimodal benchmark для reasoning-intensive retrieval, который переносит идею BRIGHT на запросы и документы с изображениями, схемами и mixed-modal evidence.
MMLU
MMLU в 2026: benchmark для broad knowledge and academic reasoning, который хорошо показывает покрытие по предметам, но слабо отражает реальное product behavior.
MMMU
MMMU в 2026: benchmark для college-level multimodal understanding, который проверяет не только perception, но и дисциплинарное reasoning по изображениям, диаграммам и тексту.
MT-Bench
MT-Bench в 2026: multi-turn conversational benchmark, где качество ответа оценивается judge model, а фокус смещается с single-turn QA на диалоговое поведение.
MTEB
MTEB в 2026: massive benchmark для text embeddings, который помогает сравнивать модели сразу на retrieval, reranking, clustering, STS и других задачах.
Maieutic Prompting
Maieutic Prompting в 2026: explanation tree, contradiction-aware reasoning и research-heavy подход к проверке логической консистентности.
Mr. TyDi
Mr. TyDi в 2026: benchmark для dense retrieval на 11 типологически разных языках, полезный для проверки mono-lingual retrieval quality вне high-resource English settings.
OR-Bench
OR-Bench в 2026: benchmark для over-refusal, который проверяет, не отвергает ли модель benign prompts, лишь похожие на unsafe по форме или лексике.
OSWorld
OSWorld в 2026: benchmark для multimodal computer-use agents, где задачи выполняются в реальной desktop-среде, а агенту нужно понимать GUI, приложения и cross-app workflows.
Prometheus
Prometheus в 2026: open evaluator LLM для fine-grained rubric-based judging long-form outputs.
Prometheus 2
Prometheus 2 в 2026: open evaluator, который умеет и direct assessment, и pairwise ranking по пользовательским критериям.
RARR
RARR в 2026: researching and revising what language models say, когда ответ сначала ищет опору во внешних источниках, а потом точечно переписывается под найденные доказательства.
RCOT
RCOT в 2026: reversal-based проверка reasoning, где модель восстанавливает исходную задачу по своему решению и ловит несостыковки в шагах.
RankGPT
RankGPT в 2026: LLM как zero-shot reranker, когда модель ранжирует документы по релевантности, а не только генерирует ответы.
Reflexion
Reflexion в 2026: verbal feedback loop, lessons learned и memory across attempts для agents и многошаговых задач.
SORRY-Bench
SORRY-Bench в 2026: детализированный benchmark для safety refusal behavior, который помогает оценивать coverage по unsafe topics, языковые вариации и качество automated judges.
SWE-bench
SWE-bench в 2026: repo-level benchmark для решения реальных GitHub issues, который лучше классических coding tests показывает software engineering readiness моделей и агентов.
SafetyBench
SafetyBench в 2026: comprehensive benchmark для оценки safety understanding у LLMs через многоязычные multiple-choice задачи по ключевым категориям рисков.
Self-Consistency
Self-Consistency в 2026: несколько независимых reasoning-путей, majority voting и selective use там, где один прогон слишком хрупок.
Self-Debug
Self-Debug в 2026: модель сама ищет и чинит ошибки в сгенерированном коде через объяснение, запуск и локальную правку, не полагаясь только на первый проход.
Self-RAG
Self-RAG в 2026: self-reflective retrieval, когда модель сама решает, нужен ли retrieval, оценивает найденные документы и критикует собственный ответ.
Self-Refine
Self-Refine в 2026: generate-critique-revise loop для текста, кода и аналитики, когда первый ответ почти всегда можно сделать заметно лучше.
Self-Verification
Self-Verification в 2026: обратная проверка собственного ответа, когда модель сначала решает задачу, а потом пытается подтвердить решение через обратный проход.
SelfCheckGPT
SelfCheckGPT в 2026: zero-resource hallucination detection, где black-box модель проверяется через согласованность нескольких собственных сэмплов.
Universal Self-Consistency
USC в 2026: consistency-подход для free-form outputs, judge-based selection и выбор лучшего кандидата там, где обычное majority voting не работает.
Verify-and-Edit
Verify-and-Edit в 2026: knowledge-enhanced CoT, где reasoning сначала проверяется по внешнему знанию, а затем редактируется точечно, а не переписывается вслепую.
VisualWebArena
VisualWebArena в 2026: multimodal benchmark для web agents, где успех зависит не только от текста DOM, но и от зрительного понимания интерфейса.
WebArena
WebArena в 2026: реалистичный benchmark для web agents, где проверяется длинная цепочка действий на настоящих сайтах и важен end-to-end success, а не качество отдельного шага.
WildJailbreak
WildJailbreak в 2026: in-the-wild jailbreak dataset и safety resource, собранный из реальных пользовательских тактик и полезный для более разнообразного red-teaming.
WorkArena++
WorkArena++ в 2026: enterprise-style benchmark для web agents, где оцениваются compositional planning, reasoning и выполнение knowledge-work задач в рабочем ПО.
XSTest
XSTest в 2026: benchmark для exaggerated safety behaviors, который помогает измерять over-refusal на безопасных, но superficially sensitive prompts.
τ-bench
τ-bench в 2026: benchmark для tool-agent-user interaction, где агент должен не только пользоваться API, но и вести динамический разговор с пользователем и соблюдать доменные правила.
Деревья мысли 7
Algorithm of Thoughts (AoT)
Algorithm of Thoughts в 2026: prompt-level approximation search, когда модель имитирует DFS-подобный обход в одном проходе вместо внешнего tree orchestration.
Buffer of Thoughts (BoT)
Buffer of Thoughts в 2026: template-buffer pattern, где система переиспользует thought-templates через retrieve -> instantiate -> reason вместо поиска с нуля.
Everything of Thoughts (XoT)
Everything of Thoughts в 2026: MCTS-directed reasoning runtime, где LLM выступает генератором и оценщиком, а стратегию поиска задаёт внешний search algorithm.
Graph of Thoughts (GoT)
Graph of Thoughts в 2026: graph-shaped orchestration pattern, где ветки можно не только исследовать, но и сливать, улучшать и переиспользовать между этапами.
RAP
RAP в 2026: Reasoning via Planning как соединение LLM и tree search, когда полезно не просто думать шагами, а планировать с прогнозом будущих состояний.
RAPTOR
RAPTOR в 2026: tree-organized retrieval через рекурсивные summary-уровни, когда система ищет не только по исходным chunks, но и по абстракциям над ними.
Tree of Thoughts (ToT)
Tree of Thoughts в 2026: deliberate search pattern поверх LLM, где system orchestration исследует несколько веток, оценивает их и отсекает тупики.
Рассуждения 27
Analogical Prompting
Analogical Prompting в 2026: self-generated аналогии и похожие примеры перед решением новой задачи, полезные там, где модели нужно вспомнить релевантный паттерн без ручного few-shot.
Auto-CoT (Automatic Chain of Thought)
Auto-CoT в 2026: автоматическая генерация reasoning-demonstrations для few-shot prompting, полезная прежде всего в offline prompt-building и evaluation pipelines.
Chain of Code (CoC)
Гибридный reasoning-паттерн: исполнимые шаги уходят в код, неисполняемые — в LM-эмуляцию. Полезен для задач на стыке вычислений и семантики.
Chain of Thought (CoT)
Chain of Thought в 2026: явное пошаговое reasoning для задач, где модели полезно разложить вывод на промежуточные шаги, но без наивной веры в длинные рассуждения ради самих рассуждений.
Chain-of-Symbol (CoS)
Representation-first техника: вместо длинных текстовых описаний модель получает компактные символы, схемы и сетки для пространственного reasoning.
Chain-of-Table: рассуждения через трансформацию таблиц
Табличный reasoning через пошаговые операции над самой таблицей: фильтрация, сортировка, агрегация и вычисляемые столбцы вместо текстовых рассуждений о строках.
Chain-of-Thought Decoding
CoT Decoding в 2026: inference-time search trick, где reasoning-path извлекается через альтернативные варианты декодирования, а не через wording промпта.
Contrastive Chain-of-Thought
Contrastive CoT в 2026: few-shot reasoning pattern, где модель учится не только по правильным, но и по ошибочным reasoning traces с явным разбором ловушек.
Cumulative Reasoning
Многошаговый reasoning с обязательной промежуточной верификацией: новые утверждения попадают в рабочий граф только после проверки.
Diagram of Thought (DoT)
Diagram of Thought в 2026: critique-oriented DAG reasoning pattern, где идеи, критика и summary организуются как граф, а не как одна линейная цепочка.
IRCoT
IRCoT в 2026: Interleaving Retrieval with Chain-of-Thought, когда retrieval встраивается прямо в reasoning-цепочку, а не только перед ней.
Implicit Chain-of-Thought: рассуждения без слов
Implicit CoT в 2026: training/runtime concept, где reasoning интернализируется в модель и не выводится как явная цепочка токенов.
Logic-of-Thought
Logic-of-Thought в 2026: logic-augmented reasoning pattern, где текст сначала переводится в propositions и формальные связи, а уже потом проходит пошаговую верификацию.
PAL
PAL в 2026: Program-Aided Language Models как мост между естественным языком и исполнимым кодом, когда считать и проверять лучше через runtime.
Program of Thoughts (PoT)
Reasoning-паттерн для вычислительных задач: модель пишет код вместо текстовой арифметики, а интерпретатор даёт точный результат.
Quiet-STaR: скрытое мышление модели
Quiet-STaR в 2026: training-time inner-monologue concept, где модель учится генерировать скрытые rationales перед токенами и улучшать prediction quality без явного prompting.
Recursion of Thought
Рекурсивный reasoning через изолированные подконтексты: сложная задача дробится на подзадачи, а их ответы возвращаются в родительский контур.
Rethinking with Retrieval (RwR)
Retrieval-based verification для reasoning: каждый шаг CoT проверяется через внешние источники, прежде чем стать опорой для следующего шага.
Retrieval-Augmented Thoughts (RAT)
Retrieval-augmented reasoning-паттерн: поиск включается в каждый шаг цепочки, чтобы мысли не дрейфовали от фактов по мере генерации.
STaR
STaR в 2026: Self-Taught Reasoner как цикл, где модель учится на собственных удачных цепочках рассуждения и постепенно усиливает reasoning-поведение.
Scratchpad Prompting
Scratchpad Prompting в 2026: короткое вынесение промежуточных шагов наружу, когда модели нужен рабочий черновик для расчётов, правил и символов.
Self-Discover
Self-Discover в 2026: meta-reasoning подход, где модель сначала собирает подходящую структуру рассуждения из модулей, а потом заполняет её под конкретную задачу.
Step-Back Prompting
Step-Back Prompting в 2026: сначала абстракция и принципы, потом решение конкретной задачи там, где direct reasoning слишком быстро прыгает в детали.
Tab-CoT
Tab-CoT в 2026: табличный формат рассуждений, который делает шаги модели более структурированными и удобными для проверки на многомерных задачах.
Thought Propagation
Analogy-first reasoning: модель решает похожие подзадачи и переносит найденные паттерны обратно в исходную задачу.
Thread of Thought (ThoT)
Thread of Thought в 2026: управляемый проход по длинному или хаотичному контексту перед ответом, полезный для long-context analysis, документов и multi-part evidence.
Zero-shot Chain of Thought
Zero-shot CoT в 2026: минимальный reasoning trigger без примеров, полезный как быстрый baseline, но уже не универсальный default для сильных reasoning-моделей.
Декомпозиция 7
Branch-Solve-Merge
Branch-Solve-Merge в 2026: параллельная декомпозиция на независимые ветки, отдельная обработка каждого аспекта и controlled merge в один итоговый ответ.
Decomposed Prompting (DECOMP)
Decomposed Prompting в 2026: модульная orchestration-схема, где задача разбивается на типовые подзадачи и маршрутизируется в специализированные prompt-handlers.
Least-to-Most Prompting
Least-to-Most в 2026: последовательная декомпозиция от простых подзадач к более сложным там, где answer строится как цепочка зависимых шагов.
Plan-and-Solve Prompting
Plan-and-Solve в 2026: сначала explicit plan, потом выполнение по плану там, где single-pass reasoning пропускает шаги или ломает порядок действий.
PromptChainer
PromptChainer в 2026: chaining нескольких LLM-шагов в явный workflow, где промежуточные результаты трансформируются и проверяются по дороге.
Selection-Inference
Selection-Inference в 2026: двухшаговая схема "сначала выбрать релевантные факты, потом сделать вывод" для задач, где модель тонет в лишнем контексте.
Self-Ask
Self-Ask в 2026: разбиение вопроса на вспомогательные под-вопросы, когда модель не должна отвечать сразу, а сначала сама выясняет недостающие куски решения.
Генерация 8
Chain of Density (CoD)
Итеративная compression/editing техника: резюме становится плотнее от шага к шагу, не разрастаясь по длине.
DSP
DSP в 2026: Demonstrate-Search-Predict как retrieval-oriented prompt pipeline, где модель сначала смотрит на демонстрации, затем ищет внешнее знание и только потом отвечает.
FLARE
FLARE в 2026: Forward-Looking Active Retrieval, когда система предсказывает, какая информация понадобится в следующем фрагменте текста, и достаёт её заранее.
FiD
FiD в 2026: Fusion-in-Decoder для RAG, когда модель читает несколько retrieved passages раздельно и объединяет evidence уже в decoder.
Generated Knowledge Prompting
Двухшаговый knowledge-priming паттерн: модель сначала извлекает и формулирует релевантные знания, а уже потом отвечает на основной вопрос.
HyDE
HyDE в 2026: Hypothetical Document Embeddings, когда модель сначала пишет "воображаемый" релевантный документ, а retrieval уже ищет реальные источники вокруг него.
Query2doc
Query2doc в 2026: query expansion через псевдо-документ, когда LLM сначала разворачивает короткий запрос в более содержательный текст для retrieval.
REPLUG
REPLUG в 2026: retrieval-augmented black-box generation, когда retriever улучшается под замороженную LLM, а найденные документы просто препендятся в prompt.
Базовые 5
Few-shot Prompting
Few-shot в 2026: калибровка модели через 2-10 примеров, когда примеры реально помогают и как не превратить их в шум.
Many-Shot In-Context Learning
Many-shot в 2026: десятки и сотни примеров в длинном контексте, когда это лучше few-shot, а когда выгоднее fine-tuning или retrieval.
Role Prompting
Role prompting в 2026: не cosplay, а способ задать модельный фокус, уровень экспертизы, perspective и критерии ответа.
System Prompts
System prompts в 2026: instruction hierarchy, persistent behavior, guardrails by design и границы того, что нельзя решать одним промптом.
Zero-shot Prompting
Zero-shot в 2026: baseline-подход без примеров, когда его хватает, а когда лучше перейти к few-shot, schema constraints или routing.
Форматирование 4
JSON Mode
JSON Mode в 2026: legacy json_object, strict json_schema, tool arguments и как получать реально надёжный machine-readable ответ.
Markdown Prompting — структура через разметку
Markdown prompting в 2026: простой способ сделать prompt читаемым, composable и повторяемым без перехода к более тяжёлым XML- и schema-конструкциям.
Structured Output
Structured output в 2026: human-readable структура, schema-first ответы и как отличать удобный формат для чтения от машинно-валидируемого вывода.
XML Tags Prompting
XML tags в 2026: сегментация сложных промптов, separation of concerns и когда теги удобнее markdown для Claude и agentic workflows.