Пользовательские промпты

💡TL;DR

Notemd позволяет заменить стандартный промпт LLM для каждого типа задач. Пользовательские промпты дают возможность контролировать то, что модель будет приоритизировать: вы можете ограничить извлечение концепций определённой дисциплиной, изменить стиль связывания или скорректировать тон перевода. Переменные промпта, такие как {{content}} и {{concept}}, заменяются во время выполнения. Функция сфокусированной области обучения добавляет название вашей области исследований в начало, чтобы автоматически ограничить результаты извлечения.

Это часть Obsidian Руководства по управлению знаниями с ИИ.

Обзор

Встроенные промпты Notemd написаны для работы с общими знаниями. Они хорошо работают в разных областях, но также позволяют улучшить их под конкретную область. Пользовательские промпты позволяют указать LLM точно, как ему действовать в вашем случае — будь то извлечение только медицинской терминологии, связывание только именованных сущностей или перевод в формальном стиле.

Пользовательские промпты не заменяют всё системное сообщение. Они заменяют или дополняют часть инструкций, специфичную для задачи, сохраняя при этом структурный формат вывода (например, строки CONCEPT:, синтаксис wiki-ссылок), от которого зависит парсинг Notemd.

Как это работает

Архитектура промпта

Каждая задача Notemd следует одной и той же структуре промпта:

[System role: You are a helpful assistant...]
[Domain constraint: Relevant Fields: [{domain}]]   <-- focused learning (optional)
[Custom task prompt]                                <-- your override (optional)
[Output format instructions]                        <-- always preserved
[Content: {{content}}]                              <-- runtime substitution

1. Основное системное сообщение — устанавливает персонаж помощника. Заменить нельзя.
2. Сфокусированная область обучения — добавляет Relevant Fields: [medicine / law / computer science / ...] в начало для ограничения объёма. Это переключатель настроек, а не прямой промпт.
3. Пользовательский промпт задачи — заменяет стандартные инструкции к задаче (например, какие концепции извлекать, насколько активно связывать).
4. Формат вывода — правила структуры (строки CONCEPT:, формат wiki-ссылок). Всегда добавляется Notemd для обеспечения возможности парсинга.
5. Содержимое — фактический текст заметки, который заменяется во время выполнения с помощью {{content}}.

Переменные промпта

Переменные заменяются в момент выполнения. Доступные переменные различаются в зависимости от задачи:

Переменная	Задачи	Заменено на
{{content}}	Все	Текст заметки или выделения
{{concept}}	Шаблон концептуальной заметки	Имя извлечённой концепции
{{description}}	Шаблон концептуальной заметки	Описание концепции, сгенерированное LLM
{{backlinks}}	Шаблон концептуальной заметки	Список исходных заметок с ссылками
{{date}}	Шаблон концептуальной заметки	Текущая дата (YYYY-MM-DD)
{{language}}	Перевод	Целевой язык вывода
{{source}}	Шаблон концептуальной заметки	Имя базового файла исходной заметки

Область сфокусированного обучения

Функция сфокусированного обучения представляет собой сокращённый способ ограничения домена. Вместо того чтобы писать пользовательский промпт, в котором указывается ваша область, вы устанавливаете focusedLearningDomain в настройках:

Settings → Advanced → Focused Learning Domain
Example: "medicine" or "computer science" or "Chinese philosophy"

Это добавляет Relevant Fields: [medicine] в начало промпта для извлечения, заставляя LLM отдавать приоритет концепциям, связанным с доменом, и игнорировать общие. Этот подход проще, чем полностью пользовательский промпт, и работает во всех задачах извлечения.

Конфигурация

Параметр	По умолчанию	Эффект
customAddLinksPrompt	''	Переопределить стандартный промпт задачи добавления ссылок
customExtractConceptsPrompt	''	Переопределить стандартный промпт извлечения концепций
customResearchPrompt	''	Переопределить стандартный промпт исследования + краткого обзора
customTranslatePrompt	''	Переопределить стандартный промпт перевода
customDiagramPrompt	''	Переопределить стандартный промпт генерации диаграмм
focusedLearningDomain	''	Добавить контекст дисциплины в промпты для извлечения и создания ссылок
extractConceptsMinimalTemplate	true	Использовать шаблон концептуальной заметки только с названием (это влияет на область применения шаблона {{concept}})
customConceptNoteTemplate	''	Переопределить шаблон файла концептуальной заметки с полной поддержкой переменных

Если поле пользовательского промпта пустое, используется встроенный стандартный промпт.

Пример

Вы — исследователь в медицине, извлекающий концепции из записей клинических испытаний. Стандартный промпт извлекает общие существительные наряду с медицинскими терминами, что засоряет вашу папку с концепциями.

Решение: Установить область сфокусированного обучения и пользовательский промпт для извлечения.

1. Установить focusedLearningDomain равным medicine
2. Установить customExtractConceptsPrompt как:

Extract only clinically relevant concepts: diseases, drug names,
anatomical terms, measurement endpoints, and statistical methods.
Ignore generic English nouns, brand names, and institutional names.
Prioritize MeSH terminology where applicable.

Теперь, когда вы запускаете команду "Extract concepts" на клинической заметке, LLM генерирует следующее:

CONCEPT: Randomized Controlled Trial
CONCEPT: Double-Blind Method
CONCEPT: Myocardial Infarction
CONCEPT: Creatine Kinase-MB
CONCEPT: Kaplan-Meier Estimate

В отличие от стандартного поведения, при котором могут быть извлечены нежелательные общие термины, такие как "hospital" или "month".

Советы

• Начните с конкретной области обучения перед созданием полностью персонализированного запроса. Одно настройка покрывает 80% случаев использования.
• Сохраняйте формат вывода — никогда не удаляйте инструкции по формату, такие как "один на строку" или "CONCEPT: prefix", из персонализированных запросов. Парсер Notemd зависит от них.
• Сначала протестируйте с одной заметкой — персонализированные запросы могут оказать неожиданный эффект на объем извлечения. Проверьте их на одной заметке перед пакетной обработкой.
• Сохраняйте запросы краткими — слишком длинные персонализированные запросы потребляют токены и могут снизить фокус модели.

---

Следующие шаги

• Wiki-Links — что будет ссылаться при настройке запроса add-links
• Concept Notes — шаблоны концептуальных заметок и переменная {{concept}}
• Batch Processing — применение персонализированных запросов ко всем папкам
• Troubleshooting — устранение проблем, когда персонализированные запросы дают неожиданный результат