Sequential Prompting (Sekvenční promptování)

Tato infografika ukazuje jednoduchý postup, jak využít historii uživatelských interakcí a jazykový model (LLM)
k tomu, aby systém uměl vybrat a seřadit nejrelevantnější položky (nebo odpovědi). Celé je to rozdělené do čtyř
logických bloků zleva doprava.

1) Levý blok: Uživatel + historie interakcí (1–4)

Vlevo je uživatel a pod ním historie interakcí. Kroužky 1, 2, 3, 4
představují události v čase:

• 1 = nejstarší interakce
• 4 = nejnovější interakce

Pointa: u spousty úloh není důležité jen co uživatel dělal, ale také v jakém pořadí a co je „čerstvé“.

2) Blok „Spouštění LLM k vnímání pořadí“

Tento blok ukazuje tři způsoby, jak modelu předat historii tak, aby pochopil časovou posloupnost a váhu jednotlivých kroků:

A) Sekvenční promptování

Historii předáš modelu chronologicky (1 → 2 → 3 → 4). Model pak „vidí příběh“ tak, jak se stal, a snáz pochopí vývoj
záměru nebo preferencí.

B) Promptování zaměřené na nedávnost

Tady dáváš důraz na to, že poslední kroky (např. 4) jsou důležitější než starší. Často se to dělá tak, že se novější věci
zvýrazní, přidá se váhování („nejvíc ber v potaz poslední 1–2 interakce“), nebo se jim dá prominentní místo.

C) Učení v kontextu (ICL)

„Učení v kontextu“ znamená, že historie/příklady vložíš do kontextu tak, aby se model chytil vzoru. V praxi ale často platí, že model
reaguje výrazněji na poslední položky v kontextu (proto bývají v obrázku zvýrazněné novější interakce).

Výsledek tohoto bloku je dole shrnutý jako:
„Vzor se sekvenční historií interakcí H“.
Písmeno H znamená History – tedy „historie“.

3) Prostřední blok: Získávání kandidátů + bootstrapping

Tento blok ukazuje, jak se z historie (H) dostaneš k sadě konkrétních možností, které se potom budou hodnotit a řadit.
Je to rozdělené na dvě části:

Krok 1: Získat (Retrieve)

Nejprve se „vytáhnou“ kandidáti – tedy položky, které připadají v úvahu (na obrázku například 1, 2, 3).
Kandidáti mohou být produkty, témata, odpovědi, dokumenty, varianty řešení… podle toho, co systém dělá.

Krok 2: Bootstrap

Pak přichází důležitá pojistka: bootstrapování kvůli snížení pozičního zkreslení (position bias).
LLM může mít tendenci preferovat položky jen proto, že jsou na začátku seznamu nebo jsou „vidět dřív“.

Proto se stejní kandidáti ukážou modelu v různých pořadích (např. 3–2–1, 1–3–2, 2–1–3).
Pokud model hodnotí opravdu relevanci/kvalitu, měl by dávat podobný výsledek i při změně pořadí.

Výsledek tohoto bloku je dole shrnutý jako:
„Vzor se získanými kandidátskými položkami C“.
Písmeno C znamená Candidates – tedy „kandidáti“.

4) Pravý blok: Řazení s LLM + parsování výstupů

Tady se kandidáti předají jazykovému modelu, který udělá ranking – seřazení od nejlepšího po nejhorší
(v obrázku je ukázka pořadí 2, potom 1, potom 3).

Parsování výstupů

„Parsování výstupů“ znamená, že odpověď od LLM je potřeba převést do jasně použitelného formátu:
například do seznamu, tabulky, JSONu nebo struktury „1. místo / 2. místo / 3. místo“.
Je to praktický krok, aby se s výsledkem dalo dál pracovat automaticky.

Dole vpravo je „Instrukční šablona T“. To je standardní prompt, kterým modelu říkáš:
podle čeho má hodnotit a v jakém formátu má výsledek vrátit.
Písmeno T znamená Template – tedy „šablona“.

Co znamenají H, C, T

• H = historie interakcí (History)
• C = kandidáti, které budeme hodnotit (Candidates)
• T = instrukční šablona pro model (Template)

Hlavní sdělení infografiky

Vezmeš historii uživatele (H), z ní vytáhneš kandidáty (C), promícháš je kvůli pozičnímu zkreslení, a necháš LLM podle instrukční šablony (T) kandidáty seřadit a výsledek strojově zpracuješ.

Praktická poznámka

Bootstrap je v tomto schématu klíčový, protože bez něj může ranking vypadat „chytře“, ale často bude jen odrazem toho, co bylo v seznamu první. Promíchání pořadí pomáhá zkontrolovat, jestli je výsledek stabilní a robustní.