Промпт для исследовательского резюме

Стандартное «суммируй это» выдаёт слитные параграфные резюме, теряющие суть каждого нюансированного исследования. Этот промпт извлекает структурированный объект — утверждения, тип доказательства, расположение источника и противоречия между документами — который можно просмотреть за 60 секунд.

Категория: researchРекомендуется для: claude / perplexity / chatgpt

prompt

Ты будешь суммировать документ(ы) ниже. Выведи как структурированную таблицу, а не прозу.

Для каждого крупного утверждения в источнике(ах) извлеки:
- Claim: <одно предложение>
- Evidence type: <empirical study / theoretical argument / expert opinion / anecdote / unsupported>
- Source: <название документа + страница или раздел>
- Strength: <strong / moderate / weak — на основе типа доказательства и размера выборки>
- Caveats: <ограничения, которые сам источник признаёт>

После таблицы добавь три раздела:

1. CONTRADICTIONS: перечисли места, где документы расходятся или где утверждение одного документа конфликтует с данными другого.

2. CONFIDENCE MAP: оцени общую надёжность каждого крупного утверждения — high (несколько сильных источников согласны), medium (один сильный источник или несколько слабых), low (единственный слабый источник или неподкреплённое утверждение).

3. WHAT'S MISSING: 3–5 вопросов, которые у внимательного читателя останутся после этих документов. Пометь каждый как «addressable from these documents with more reading» или «requires external sources».

Жёсткие правила:
- Цитируй номера страниц или идентификаторы разделов для каждого утверждения. Если не можешь — помечай [page unknown].
- Не синтезируй сверх сказанного документами. Если два документа касаются темы, но прямо не сопоставляют — так и скажи, не выдумывай сравнения.
- Различай «документ утверждает X» и «X — правда». Резюме отчитывается о том, что было заявлено, а не о том, что верно.

Документ(ы):

[вставьте полный текст или загрузите PDF]

Когда это использовать

Чтение 5–10 статей для обзора литературы — прогоните каждую через этот промпт, затем сравните карты уверенности, чтобы найти консенсус и пробелы.
Оценка отраслевого отчёта от поставщика — колонка strength обнажает, где отчёт основан на данных, а где это маркетинг.
Перекрёстная проверка новостной статьи — подайте статью + лежащее в основе исследование; противоречия всплывают мгновенно.

Советы по моделям

claude: Лучше всех различает утверждение и тип доказательства. Правило «не синтезируй» больше всех уважает Claude (Sonnet 4.6+).
perplexity: Силён, когда документ в открытой сети — Perplexity автоматически добавляет проверку источников. Менее полезен для приватных PDF.
chatgpt: Работает, но склонен смягчать вердикт «unsupported» до «mentioned». Будьте явны: «используй "unsupported", когда документ представляет утверждение без ссылки на данные, даже если оно звучит разумно».

Пример: резюме 3 статей о продуктивности удалённой работы

| Claim | Evidence | Source | Strength | Caveats |
|---|---|---|---|---|
| Удалённые сотрудники в самоотчёте на 13% продуктивнее | опрос, n=2400 | Bloom 2024 p.7 | moderate | предвзятость самоотчёта признаётся |
| Удалённая работа снижает командные инновации | качественные интервью, n=42 менеджера | Smith 2023 p.14 | weak | выборка смещена к менеджерам, не IC |
| Гибрид (3 дня) обходит full-remote по retention | A/B-тест в одной компании | Chen 2025 p.22 | moderate | одна фирма, не факт, что обобщается |

CONTRADICTIONS:
- Bloom 2024 сообщает о приросте продуктивности; Smith 2023 подразумевает её снижение (через «сниженные инновации»). Они используют разные определения продуктивности — Bloom = выход на час, Smith = стратегический выход. Напрямую несопоставимо.

CONFIDENCE MAP:
- «Удалённая работа меняет продуктивность» → high (ясный эффект, направление обсуждается)
- «Удалённая работа снижает инновации» → medium (одно исследование, качественное)
- «Гибрид оптимален» → low (один A/B в одной фирме)

WHAT'S MISSING:
1. Эффект конкретно на джуниоров [requires external sources]
2. Разбивка по отраслям [addressable: у Bloom 2024 есть данные приложения]
3. Эффект на передачу знаний / менторство [requires external sources]

Как это работает

Почему прозаические резюме не работают для исследований

Параграфное резюме смешивает все утверждения в один уровень авторитетности. Читатель не отличит, поддержано ли «исследования показывают, что…» одним маленьким опросом или мета-анализом сорока испытаний. Дефолтное резюме LLM наследует этот недостаток и усиливает его — сильные и слабые утверждения получают одинаковый вес в прозе.

Структурированное извлечение (таблица + карта уверенности) сохраняет разный авторитет утверждений. Можно бегло увидеть, что главное утверждение опирается на твёрдое доказательство, а второстепенное — по сути редакционная колонка. Это разница между «информирован» и «ложно уверен».

Самое сложное правило: различать утверждение и истину

Стандартные суммизаторы соскальзывают с «документ X говорит Y» к «Y — правда» без флага перехода. Правило «различай утверждение и истину» явное, потому что модели по умолчанию его проваливают. Когда оно соблюдается, вы читаете резюме и точно знаете, какие утверждения принадлежат документу, а какие — редактуре модели.

Если модель нарушает это правило (констатирует X как факт, когда документ только утверждал), ответьте «переформулируй, относя каждое утверждение к его источнику». После одной правки Claude обычно держит атрибуцию до конца документа.

Воркфлоу по нескольким документам

Для обзоров литературы сначала прогоняйте каждую статью отдельно — лимиты контекста модели и качество выигрывают от подхода «по одному документу». Затем во втором проходе вставьте только полученные таблицы и спросите: «Определи точки консенсуса, точки разногласия и сильнейшее одиночное утверждение». Это гораздо быстрее, чем подавать все статьи разом.

Постройте правило «затухания уверенности»: любое утверждение, встречающееся только в одном источнике, автоматически снижается на уровень при интеграции в многоисточниковое резюме. Это заставляет интегрированный обзор взвешивать реплицированные находки выше новых, но изолированных, что соответствует хорошей академической практике.

Часто задаваемые вопросы

›Работает ли для очень длинных PDF?

Claude тянет PDF на 200К токенов за один проход; ChatGPT/GPT-5 — 128К. Для более длинных разделите по главам и резюмируйте каждую, потом резюмируйте резюме. Структурированный формат сохраняет качество между проходами.

›Может ли он цитировать конкретные фрагменты?

Да — добавьте в промпт «Для каждого утверждения включи цитируемый фрагмент исходной формулировки в 5–15 слов». Полезно, когда важна формулировка (юридические документы, технические спецификации).

›Что, если у документа нет чётких номеров страниц (веб-статья)?

Используйте заголовки разделов или номера абзацев. «Page or section» в промпте это позволяет. Для веб-статей индекс абзаца («para 5») работает нормально.

›Как это сравнивается с NotebookLM?

NotebookLM автоматически принимает документы и цитирования, но по умолчанию выдаёт нарративные резюме. Этот промпт даёт структурированный извлечённый вывод, лучше для систематического сравнения. Используйте оба: NotebookLM для исследования через чат, этот промпт — для «написал один раз, просматриваю много раз».

›Зачем навязывать раздел «what's missing»?

Потому что любое исследовательское резюме должно оставлять явные follow-up, а не ложное ощущение полноты. Раздел также вскрывает, когда документ принципиально не может ответить на ваш вопрос — полезно, прежде чем тратить ещё время на чтение.

›Работает ли для неанглоязычных исследований?

Да — Claude и GPT-5 хорошо тянут японскую / китайскую / немецкую / французскую академическую прозу. Структурированный вывод остаётся на языке вашего промпта; язык источника может отличаться.

›Как избежать галлюцинированных номеров страниц?

Если модель даёт номер страницы, выборочно проверьте один-два. Если ошибочны, добавьте в промпт «Если не можешь верифицировать номер страницы, пометь [page unknown] — никогда не угадывай».

›Можно ли использовать для транскриптов подкастов?

Да — замените «page» на «timestamp», и остальное работает. Структурированное извлечение утверждений ещё полезнее для подкастов, где утверждения плавают в длинной прозе без чётких маркеров.