Хеллоу! 4 шага, чтобы ии перестал выдавать посредственные ответы на сложные задачи Делаю портал для нашего анализа звонков. Подключаем новый функционал, собираем серьезную машину для контроля за отделом продаж И тут баг. Фиксишь одному клиенту - ломается у другого. Фиксишь второму - у первого снова падает. Три круга подряд Модель каждый раз выдавала "нормальный" результа. Не плохой. Но и не тот, который решает задачу до конца Тогда вспомнил прием, который активно юзал в 2023-м и забросил. Тогда мы загоняли ии в "роль критика" - получил ответ, попросил раскритиковать в пух и прах. Почти всегда вылезало 2-3 годные идеи, которые сам бы не увидел С развитием моделей забросил. Зря. Потому что даже в 2026-м ни одна модель не выдает идеальный ответ с первого раза на сложную многослойную задачу Но в чистом виде прием уже не тот. Я его докрутил Вот 4 шага: 1. Получил ответ от ии. Чувствуешь что что-то не так, но не можешь сформулировать. Говоришь модели: "Здесь что-то не то, кажется есть слабые места. Напиши промт для Perplexity Deep Research, чтобы исследовать мировую практику по этому вопросу и актуальные подходы в 2026 году" (тут уже сами придумайте - важно чтоб она нашла, как делают другие в 2026 тоже самое) 2. Берешь промт, запускаешь Deep Research в Perplexity. Он копает глубоко - собирает свежие данные, чужой опыт, другие способы решения. Важно: прочитай результат сам (хотябы частями). Часто уже на этом этапе видишь, где было слабое место 3. Грузишь исследование обратно в модель. Она сама видит разрывы между тем, что выдала раньше, и тем, что нашел Perplexity. Дорабатывает ответ с учетом новых данных 4. После доработки запускаешь критику: "Раскритикуй в пух и прах то, что получилось. Найди все дыры". Получаешь еще порцию точечных доработок Почему это работает: без Perplexity критика варится в тех же данных, на которых строился первый ответ. Модель крутит одну и ту же информацию по кругу. А когда подкидываешь свежее исследование с мировой практикой - вылезают дыры, которые она сама бы никогда не нашла. Плюс ты сам, пока читаешь ресерч, начинаешь видеть картину иначе Где реально нужно: - вайбкодинг (код работает, но не уверен что все учтено) - серьезные исследования и отчеты - многоэтапные проекты с кучей переменных - любая работа, где цена ошибки заметная Для постов и простых задач - перебор. А вот для того, над чем работаешь день-два, 15 минут на этот цикл экономят часы переделок потом Наверное думаешь: "Можно просто попросить переделать, без всякого ресерча". Можно. Но модель выдаст вариацию того же самого. Deep Research добавляет внешнюю точку зрения с реальными кейсами и практиками, которых у модели просто не было. В этом вся разница Если делаешь что-то масштабное - попробуй на ближайшей задаче. Ну или скинь этот пост тому, кто делает)