Kontent qismiga oʻtish
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦
Ilova test rejimida ishlamoqda: matnlar, jumlalar va soʻzlardagi xatoliklar tez orada tahrirchilar tomonidan tuzatiladi ✦

Prompt muhandisligi

ZiyoSfera, erkin ensiklopediya

Prompt muhandisligi (inglizcha: prompt engineering) — generativ sunʼiy intellekt (GenAI) modelidan muayyan va aniq natijalarni olish uchun tabiiy tildagi kiritish maʼlumotlarini (promptlar deb ataladi) strukturalash va shakllantirish jarayonidir. Kontekst muhandisligi (inglizcha: context engineering) — bu dasturiy taʼminot muhandisligining turdosh yoʻnalishi boʻlib, u GenAI modeliga taqdim etiladigan prompt va promptdan tashqari kontekstlarni (tizimiy koʻrsatmalar, metamaʼlumotlar, API vositalari hamda tokenlarni) boshqarishga qaratilgan.

Shuningdek, u generativ AI modeliga beriladigan kiritish koʻrsatmalarini yanada aniqroq, tegishliroq yoki foydaliroq natijalar olish uchun loyihalash hamda takomillashtirish amaliyoti sifatida ham taʼriflanadi. Samarali prompt muhandisligi modelning tilni qanday talqin qilishini tushunishni talab etadi. Ushbu jarayon bir nechta namunalik promptlash (few-shot prompting), fikrlash zanjiri (chain-of-thought prompting) va modellarga muayyan rollarni biriktirish kabi usullarni oʻz ichiga oladi.

2020-yillardagi AI bumu davrida prompt muhandisligi turli korporatsiyalar hamda sanoat tarmoqlarida muhim biznes koʻnikmasi sifatida tan olindi. Tashkilotlarda mehnat undorligi va samaradorlikni oshiruvchi promptlarni yaratish uchun prompt muhandisi (inglizcha: prompt engineer) lavozimiga xodimlar ishga olindi. Biroq, keyinchalik insonlarga qaraganda yaxshiroq promptlar yarata oladigan AI modellarining paydo boʻlishi va umumiy xodimlar uchun kiritish koʻrsatmalari boʻyicha korporativ treninglar yoʻlga qoʻyilishi natijasida bu alohida lavozimga boʻlgan talab biroz pasaydi.

Keng tarqalgan promptlash usullariga multi-shot, fikrlash zanjiri (chain-of-thought) va fikrlar daraxti (tree-of-thought) usullari, shuningdek, modelga maxsus rollarni yuklash kiradi. Axborotni qidirish bilan toʻldirilgan generatsiya (RAG) kabi avtomatlashtirilgan prompt generatsiyasi usullari prompt muhandislari uchun yuqori aniqlik hamda kengroq funksional imkoniyatlarni taʼminlaydi. Prompt injeksiyasi esa kiberxavfsizlik sohasidagi hujum turi boʻlib, u mashinali oʻrgatish modellariga gʻarazli promptlar yuborish orqali ularni chalgʻitishga qaratilgan.

Atamashunoslik

Oksford ingliz tili lugʻati (Oxford English Dictionary) prompt muhandisligiga quyidagicha taʼrif beradi: "Sunʼiy intellekt dasturi, algoritm va boshqalar uchun uning natijasini optimallashtirish yoki kutilgan natijaga erishish maqsadida promptlarni shakllantirish va takomillashtirish harakati yoki jarayoni; ushbu faoliyat bilan shugʻullanuvchi soha yoki kasb."[1] 2023-yilda "prompt" soʻzi ("sunʼiy intellekt dasturi yoki algoritmiga beriladigan, u yaratadigan kontentni belgilaydigan yoki unga taʼsir koʻrsatadigan koʻrsatma") Oksfordning yil soʻzi nominatsiyasida ikkinchi oʻrinni egalladi.[2]

Prompt

Prompt — bu sunʼiy intellekt (AI) bajarishi kerak boʻlgan vazifani tasvirlaydigan hamda belgilaydigan tabiiy tildagi matndir.[3] Matndan matn hosil qiluvchi katta til modeli uchun prompt oddiy soʻrov, buyruq yoki kontekst, koʻrsatmalar va suhbat tarixiga havolalarni oʻz ichiga olgan batafsil bayonot boʻlishi mumkin. Prompt muhandisligi aniq soʻrovlarni loyihalash, soʻz birikmalarini takomillashtirish, tegishli kontekstni taqdim etish, chiqish uslubini koʻrsatish hamda AI modelini aniqroq, foydaliroq va izchil javoblar berishga yoʻnaltirish uchun maxsus xarakterni taqlid qilishni oʻz ichiga oladi.[4][5]

Matndan tasvir yoki matndan audio hosil qiluvchi model bilan muloqot qilishda odatiy prompt kutilayotgan natijaning tasvirini oʻz ichiga oladi. Masalan: "Ot minayotgan kosmonavtning yuqori sifatli fotosurati"[6] yoki "Tadbirkorlik namunalariga ega past templi elektron musiqa".[7] Matndan tasvir yaratuvchi modellarda prompt muhandisligi keraksiz obyekt, uslub, maket, yoritish va estetikaga erishish uchun qoʻllaniladi.[8]

Usullar

Prompt muhandisligining turli usullarini ifodalash uchun qoʻllaniladigan asosiy atamalarga fikrlash zanjiri (chain-of-thought),[9] fikrlar daraxti (tree-of-thought),[10] hamda axborotni qidirish bilan toʻldirilgan generatsiya (RAG) kiradi.[11] 2024-yilda ushbu sohada oʻtkazilgan tadqiqot 50 dan ortiq matnli promptlash usullarini, 40 ta koʻp modalli variantlarni va 33 ta asosiy atamani aniqladi. Bu esa sohada standartlashtirilgan terminologiyaning hali shakllanmaganligini koʻrsatadi.[12]

Vibe coding (Vayb kodlash) — bu sunʼiy intellekt yordamida dasturiy taʼminot yaratish usuli boʻlib, unda foydalanuvchi katta til modeliga oʻzi xohlagan funksiyani tavsiflab beradi va kodni generatsiya qilishni AI modeliga topshiradi. 2025-yilda "vibe coding" iborasi Kollinz ingliz tili lugʻati (Collins Dictionary) tomonidan yil soʻzi deb topildi.[13]

Kontekst muhandisligi

Kontekst muhandisligi (inglizcha: context engineering) — foydalanuvchi promptlariga hamroh boʻladigan kontekst unsurlarini (tizimiy koʻrsatmalar, qidirib olingan bilimlar, vositalar taʼrifi, suhbat xulosalari hamda vazifa metamaʼlumotlari) boshqarishga qaratilgan turdosh jarayondir. Kontekst muhandisligi Ishlab chiqarish tizimlarida LLM modellarning ishonchliligini, axborot manbalarining aniqligini va tokenlar samaradorligini oshirish uchun amalga oshiriladi.[14][15] Bu konseptsiya tokenlar byudjetini rejalashtirish, manba teglarini biriktirish, kontekst vositalarini versiyalash va observability (tizimga qanday kontekst berilganini qayd etish) kabi amaliyotlarga alohida eʼtibor qaratadi.[16]

Nazariy va amaliy asoslar

Oʻtkazilgan tadqiqotlar shuni koʻrsatadiki, katta til modellarining (LLM) samaradorligi promptdagi misollarning tartibi, koʻrsatilgan namunalar sifati va hatto jumlalarning kichik oʻzgarishlariga ham juda taʼsirchandir. Baʼzi hollarda, prompt ichida misollar ketma-ketligini oʻzgartirish natijaning aniqligini 40 foizdan ortiqqa oʻzgartirishi kuzatilgan.[12]

Kontekst ichidagi oʻrganish (In-context learning)

Modelning kiritilgan promptlardan vaqtincha oʻrganish qobiliyati kontekst ichidagi oʻrganish (in-context learning) deb ataladi. Bu xususiyat katta til modellarining favqulodda qobiliyati (emergent ability) hisoblanadi.[17] Kontekst ichida oʻrganish model oʻlchami ortishi bilan namoyon boʻladigan xususiyat boʻlib, kattaroq modellarda uning samaradorligi kichik modellarga qaraganda tezroq oʻsadi.[17][18] Tizimiy oʻrgatish va nozik sozlashdan (fine-tuning) farqli ravishda, kontekst ichidagi oʻrganish vaqtinchalik xarakterga ega.[19] Modellarni kontekst ichida oʻrganishga oʻrgatish jarayonini meta-oʻrganish yoki "oʻrganishni oʻrganish" shakli sifatida koʻrish mumkin.[20]

Model taʼsirchanligini baholash

Tadqiqotlar shuni koʻrsatadiki, LLM modellar prompt formati, strukturasi hamda lingvistik xususiyatlardagi kichik oʻzgarishlarga ham oʻta taʼsirchandir. Baʼzi tadqiqotlarda format oʻzgartirilganda aniqlik darajasi 76 foizgacha farq qilishi aniqlangan.[21] Morfologik, sintaktik va leksik-semantik oʻzgarishlar kabi lingvistik xususiyatlar prompt samaradorligiga sezilarli taʼsir koʻrsatadi.[5][22] Masalan, ergashgan gapli sintaksis axborotni qidirishda izchillikni oshiradi va noaniqlikni kamaytiradi.[23] Ushbu taʼsirchanlik hatto model hajmi kattalashtirilganda yoki qoʻshimcha namunalar berilganda ham saqlanib qoladi.

Modellarning taʼsirchanligini baholash uchun maxsus usullar taklif etilgan. FormatSpread tizimi turli xil prompt formatlarini baholash orqali tizimli tahlilni amalga oshiradi.[21] PromptEval esa turli promptlar boʻyicha samaradorlik taqsimotini baholaydi va cheklangan byudjet sharoitida aniq baholash imkonini beradi.[24]

Promptlash usullari

Multi-shot (Koʻp namunalik promptlash)

Prompt modelga kontekst ichida oʻrganish uchun bir nechta misollarni oʻz ichiga olishi mumkin, bu LLMlar uchun bir nechta namunalik oʻrganish (few-shot learning) usulidir.[9][25] Masalan, prompt modeldan quyidagi ketma-ketlikni toʻldirishni soʻrashi mumkin: "maison → uy, chat → mushuk, chien → ", va kutilayotgan javob "it" soʻzi boʻladi.[26]

Chain-of-thought (Fikrlash zanjiri)

Fikrlash zanjiri (Chain-of-thought / CoT) — bu katta til modellariga (LLM) yakuniy javob berishdan oldin muammoni ketma-ket oraliq bosqichlar koʻrinishida hal qilish imkonini beruvchi usuldir. 2022-yilda Google Brain tadqiqotchilari fikrlash zanjiri usuli modelni fikrlash bosqichlari bilan javob berishga undash orqali uning avtomatlashtirilgan mantiqiy fikrlash qobiliyatini yaxshilashini maʼlum qildi.[9][27] Ushbu usul LLM modellarga arifmetik yoki mantiqiy masalalarni bosqichma-bosqich yechishda yordam berish uchun ishlab chiqilgan.[28]

540 milliard parametrga ega PaLM til modelida qoʻllanilganda, CoT usuli modelga GSM8K matematik mezonlarida (benchmark) eng yuqori natijalarni koʻrsatishga yordam berdi.[9] Modellarni CoT maʼlumotlar toplamida nozik sozlash orqali ushbu imkoniyatni yanada oshirish mumkin.[29] Shuningdek, promptga shunchaki "Keling, buni bosqichma-bosqich oʻylab koʻraylik" (Let's think step-by-step) iborasini qoʻshish ham CoT usulini nol namunalik (zero-shot) rejimida samarali qoʻllash imkonini beradi.[30]

Self-consistency (Oʻz-oʻziga moslik)

Self-consistency usuli bir nechta fikrlash zanjirlarini amalga oshiradi va ularning orasidan eng koʻp takrorlangan va mantiqan toʻgʻri kelgan yakuniy xulosani tanlab oladi.[31]

Tree-of-thought (Fikrlar daraxti)

Tree-of-thought usuli fikrlash zanjirini umumlashtirib, bir vaqtning oʻzida bir nechta fikrlash yoʻnalishlarini (shoxlarini) generatsiya qiladi hamda ortga qaytish yoki boshqa yoʻllarni oʻrganish imkonini beradi. U kenglik boʻyicha qidirish, chuqurlik boʻyicha qidirish yoki nurli qidirish (beam search) kabi daraxt boʻyicha qidirish algoritmlaridan foydalanadi.[10]

Matndan tasvir yaratuvchi promptlash

2022-yilda DALL-E 2, Stable Diffusion va Midjourney kabi matndan tasvir yaratuvchi modellar ommaga taqdim etildi. Ushbu modellar matnli promptlarni qabul qiladi va unga mos tasvirlarni generatsiya qiladi.[32]

Tasviriy prompt odatda sanʼat obyektining tavsifi, vosita (masalan, raqamli tasvir yoki fotosurat), uslub (masalan, giperrealizm), yoritish va teksturani oʻz ichiga oladi.[33] Soʻzlarning ketma-ketligi ham tasvir natijasiga taʼsir qiladi: prompt boshida kelgan soʻzlarga koʻproq urgʻu beriladi.[34]

Rassom uslublari

Baʼzi matndan tasvir yaratuvchi modellar muayyan rassomlarning uslubiga taqlid qilish imkoniyatiga ega. Masalan, Greg Rutkovski uslubida iborasi polshalik raqamli rassom Greg Rutkovskining oʻziga xos uslubida tasvirlar yaratish uchun ishlatilgan.[35] Shuningdek, Vinsent van Gog va Salvador Dalí kabi mashhur rassomlar uslubidan ham keng foydalaniladi.[36]

Matn inversiyasi va embeddinglar

Matndan tasvir yaratuvchi modellarda matn inversiyasi (textual inversion) namunaviy tasvirlar toʻplami asosida yangi soʻz embeddingini loyihalashtiradi. Ushbu embedding vektori prompt tarkibida misollar uslubini aks ettiruvchi "psevdo-soʻz" vazifasini oʻtaydi.[37]

Tasviriy promptlash

2023-yilda Meta Platforms kompaniyasi Segment Anything deb nomlangan kompyuterli koʻrish modelini taqdim etdi. Ushbu model promptlar orqali tasvir segmentatsiyasini bajarishi mumkin. Matnli promptlarga muqobil ravishda, u chegaralovchiramkalar va segmentatsiya niqoblarini qabul qiladi.[38]

Cheklovlar

Prompt yozish va uni takomillashtirish jarayoni muhandislik loyihalash amaliyotiga oʻxshasa-da, bir qancha fundamental cheklovlar mavjud. Samarali prompt strategiyalari muayyan modelga oʻta darajada bogʻliq boʻlib, bir modelda yaxshi ishlagan usul boshqasida natijani yomonlashtirishi mumkin. Shuningdek, soʻzlarning joylashuvi yoki tinchlik belgilaridagi kichik oʻzgarishlar ham model natijasini keskin oʻzgartirib yuborishi mumkin.[39]

Bundan tashqari, AI modellarining foydalanuvchi maqsadini toʻgʻridan-toʻgʻri tushunish qobiliyati oshib borayotgani sababli, koʻplab qoʻlda bajariladigan promptlash usullari oʻz ahamiyatini yoʻqotmoqda.[40]

Avtomatlashtirilgan prompt generatsiyasi

Soʻnggi tadqiqotlar inson aralashuvisiz promptlarni generatsiya qilish va optimallashtirish uchun avtomatlashtirilgan algoritmlarni oʻrganmoqda. Ushbu avtomatik usullar model gradientlari hamda evolyutsion jarayonlarni tahlil qilish orqali samarali prompt namuna turlarini aniqlashni maqsad qiladi.[41]

Axborotni qidirish bilan toʻldirilgan generatsiya (RAG)

Axborotni qidirish bilan toʻldirilgan generatsiya (Retrieval-augmented generation / RAG) — GenAI modellariga yangi axborotlarni qidirib topish hamda ularni javobga biriktirish imkonini beruvchi texnologiyadir. U foydalanuvchi soʻrovlariga javob berishda tashqi hujjatlar bazasiga murojaat qiladi va modelning mavjud oʻrgatish maʼlumotlarini boyitadi.[11]

RAG modeli javob generatsiya qilishdan oldin axborot qidiruvi (information retrieval) bosqichini amalga oshiradi. U maʼlumotlar bazalaridan va yuklangan hujjatlardan tegishli matnlarni dinamik ravishda tortib oladi. Bu esa AI modelining qayta oʻrgatishsiz aniqroq javob berishiga va AI gallyutsinatsiyalarini kamaytirishga xizmat qiladi.[42]

Grafli axborot qidiruvi bilan toʻldirilgan generatsiya (GraphRAG)

GraphRAG (Microsoft Research tomonidan kiritilgan) — RAG texnologiyasini bilimlar grafi bilan kengaytiruvchi usul boʻlib, u modelga turli maʼlumotlar toʻplamlarini bogʻlash hamda umumlashtirilgan semantik tushunchalarni tahlil qilish imkonini beradi.[43][44]

Prompt yaratishda til modellaridan foydalanish

Til modellarining oʻzidan boshqa til modellari uchun promptlar tayyorlashda foydalanish mumkin.[45] "Avtomatik prompt muhandisi" (Automatic Prompt Engineer) algoritmi quyidagicha ishlaydi:

  • Ikkita LLM qoʻllaniladi: maqsadli LLM va promptlovchi LLM.
  • Promptlovchi LLMga namuna kiritish-chiqarish juftliklari beriladi hamda ushbu natijalarni keltirib chiqarishi mumkin boʻlgan koʻrsatmalarni generatsiya qilish buyuriladi.
  • Har bir koʻrsatgich baholanadi va eng yuqori ball olgan koʻrsatgichlar qayta takomillashtiriladi.

Auto-CoT usulida esa savollar kutubxonasi BERT kabi modellar orqali vektorlarga oʻtkaziladi hamda klasterlanadi. Har bir klaster markaziga yaqin savollar tanlab olinadi va model ularga zero-shot CoT rejimida javob beradi.[46]

Avtomatik prompt optimallashtirish

Avtomatik prompt optimallashtirish usullari maxsus maʼlumotlar toʻplamidan foydalanib, muqobil prompt matnlarini qidirish orqali natijani yaxshilaydi:

  • MIPRO (Multi-prompt Instruction Proposal Optimizer) koʻp bosqichli til modellari koʻrsatmalarini optimallashtiradi.[47]
  • GEPA (Genetic-Pareto) evolyutsion qidiruv orqali murojaatlarni tahlil qiladi va mustahkamlovchi oʻrgatish (reinforcement learning) usullariga qaraganda yuqori samaradorlik beradi.[48]
  • DSPy va Opik kabi ochiq kodli freymvorklar ushbu optimallashtirish vositalarini dasturlash konveyerlariga biriktirish imkonini beradi.[49]

Gradient tushishi orqali promptlarni qidirish

Prefix-tuning yoki prompt tuning usullarida suzuvchi nuqtali vektorlar bevosita gradient tushishi (gradient descent) orqali optimal koʻrinishga keltiriladi.[50][51] Maskalangan til modellarida esa AutoPrompt algoritmi tokenlar ketma-ketligini izlash uchun gradient tushishi gʻoyasidan foydalanadi.[52]

Tarixi

Strukturalangan muloqot tizimlarining dastlabki namunalari 1990-yillardagi korporativ avtomatlashtirish dasturlarida koʻringan. Masalan, Krishna K. Mukerji tomonidan yaratilgan Intelligent Filling Manager (1999) tizimi hujjatlarni avtomatik yaratish uchun savol-javob interfeysidan foydalangan.[53] 2018-yilda tadqiqotchilar tabiiy tilni qayta ishlash (NLP) sohasidagi barcha alohida vazifalarni umumiy savol-javob shakliga oʻtkazish mumkinligini taklif qildi va koʻp vazifali ilk modelni oʻrgatdi.[54]

AI bumu davrida modeldan kutilgan natijani olish hamda gallyutsinatsiyalarning oldini olish uchun promptlash usullarini qoʻllashga eʼtibor oshdi.[55] 2022-yil noyabr oyida ChatGPT taqdim etilgach, prompt muhandisligi tez orada muhim biznes koʻnikmasiga aylandi va korxonalar maxsus mutaxassislarni yollay boshladi.[4] The Wall Street Journal maʼlumotlariga koʻra, prompt muhandisi kasbi 2023-yilda eng xaridorgir kasblardan biri boʻlgan boʻlsa-da, modellar intuitsiyasining rivojlanishi tufayli u oʻzining avvalgi dolzarbligini biroz yoʻqotdi.[56]

2022-yilda Google tadqiqotchilari tomonidan fikrlash zanjiri (chain-of-thought) usuli taklif etildi.[9][57] 2023-2024 yillarda esa koʻplab ochiq prompt bazalari ommaga taqdim etildi.[58][59]

Prompt injeksiyasi

Asosiy maqola: Prompt injeksiyasi

Prompt injeksiyasi (inglizcha: prompt injection) — bu kiberxavfsizlik sohasidagi zaiflik boʻlib, unda tajovuzkorlar kiritadigan gʻarazli maʼlumotlar mashinali oʻrgatish va katta til modellarining kutilmagan harakatlarni bajarishiga olib keladi. Ushbu hujum modelning dasturchi koʻrsatmalari bilan foydalanuvchi kiritgan maʼlumotlarni ajrata olmasligidan foydalanib, xavfsizlik cheklovlarini aylanib oʻtadi.[60][61]

Manbalar

  1. ↑ „prompt engineering“, Oxford English Dictionary. Oxford University Press, 2025. 
  2. ↑ „Oxford Word of the Year 2023“ (en-GB). Oxford Languages. Oxford University Press. 2024-yil 31-yanvarda asl nusxadan arxivlangan. Qaraldi: 2026-yil 6-fevral.
  3. ↑ Radford, Alec; Wu, Jeffrey; Child, Rewon; Luan, David; Amodei, Dario „Language Models are Unsupervised Multitask Learners“. OpenAI (2019). — „"We demonstrate language models can perform down-stream tasks in a zero-shot setting – without any parameter or architecture modification"“. 2021-yil 6-fevralda asl nusxadan arxivlangan. Qaraldi: 2023-yil 19-iyun.
  4. ↑ 4,0 4,1 Genkina, Dina „AI Prompt Engineering is Dead: Long live AI prompt engineering“. IEEE Spectrum (2024-yil 6-mart). 2025-yil 17-yanvarda asl nusxadan arxivlangan. Qaraldi: 2025-yil 18-yanvar.
  5. ↑ 5,0 5,1 Wahle, Jan Philip; Ruas, Terry; Xu, Yang; Gipp, Bela „Paraphrase Types Elicit Prompt Engineering Capabilities“, . Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing. Miami, Florida, USA: Association for Computational Linguistics, 2024 — 11004–11033-bet. DOI:10.18653/v1/2024.emnlp-main.617. 
  6. ↑ Heaven, Will Douglas „This horse-riding astronaut is a milestone on AI's long road towards understanding“. MIT Technology Review (2022-yil 6-aprel). Qaraldi: 2023-yil 14-avgust.
  7. ↑ Wiggers, Kyle „Meta open sources an AI-powered music generator“. TechCrunch (2023-yil 12-iyun). — „Next, I gave a more complicated prompt to attempt to throw MusicGen for a loop: "Lo-fi slow BPM electro chill with organic samples."“. Qaraldi: 2023-yil 15-avgust.
  8. ↑ Mittal, Aayush „Mastering AI Art: A Concise Guide to Midjourney and Prompt Engineering“ (en-US). Unite.AI (2023-yil 27-iyul). 2025-yil 9-mayda asl nusxadan arxivlangan. Qaraldi: 2025-yil 9-may.
  9. ↑ 9,0 9,1 9,2 9,3 9,4 Wei, Jason; Wang, Xuezhi; Schuurmans, Dale; Bosma, Maarten; Ichter, Brian; Xia, Fei; Chi, Ed H.; Le, Quoc V. et al. (31 October 2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" (en). 35. Advances in Neural Information Processing Systems (NeurIPS 2022). 
  10. ↑ 10,0 10,1 "Tree of Thoughts: Deliberate Problem Solving with Large Language Models". NeurIPS. 2023. 
  11. ↑ 11,0 11,1 „Why Google's AI Overviews gets things wrong“. MIT Technology Review (2024-yil 31-may). 2025-yil 3-mayda asl nusxadan arxivlangan. Qaraldi: 2025-yil 7-mart.
  12. ↑ 12,0 12,1 Schulhoff, Sander; Ilie, Michael; Balepur, Nishant; Kahadze, Konstantine; Liu, Amanda; Si, Chenglei; Li, Yinheng; Gupta, Aayush et al. (2024). "The Prompt Report: A Systematic Survey of Prompt Engineering Techniques". arXiv:2406.06608 [cs.CL]. 
  13. ↑ Kolirin, Lianne „'Vibe coding' named Collins Dictionary's Word of the Year“ (en). CNN (2025-yil 6-noyabr). 2025-yil 14-noyabrda asl nusxadan arxivlangan. Qaraldi: 2026-yil 7-fevral.
  14. ↑ Casey, Matt M. „Context Engineering: The Discipline Behind Reliable LLM Applications & Agents“. Comet (2025-yil 5-noyabr). 2025-yil 11-noyabrda asl nusxadan arxivlangan. Qaraldi: 2025-yil 10-noyabr.
  15. ↑ „Context Engineering“. LangChain (2025-yil 2-iyul). 2025-yil 11-noyabrda asl nusxadan arxivlangan. Qaraldi: 2025-yil 10-noyabr.
  16. ↑ Mei, Lingrui (2025-07-17). "A Survey of Context Engineering for Large Language Models". arXiv:2507.13334 [cs.CL]. 
  17. ↑ 17,0 17,1 Wei, Jason; Tay, Yi; Bommasani, Rishi; Raffel, Colin; Zoph, Barret; Borgeaud, Sebastian; Yogatama, Dani; Bosma, Maarten et al. (October 2022). "Emergent Abilities of Large Language Models". Transactions on Machine Learning Research. ""In prompting, a pre-trained language model is given a prompt (e.g. a natural language instruction) of a task and completes the response without any further training or gradient updates to its parameters... The ability to perform a task via few-shot prompting is emergent when a model has random performance until a certain scale, after which performance increases to well-above random"" 
  18. ↑ Caballero, Ethan; Gupta, Kshitij; Rish, Irina; Krueger, David (2023). "Broken Neural Scaling Laws". ICLR. 
  19. ↑ Musser, George „How AI Knows Things No One Told It“. Scientific American. — „"By the time you type a query into ChatGPT, the network should be fixed; unlike humans, it should not continue to learn. So it came as a surprise that LLMs do, in fact, learn from their users' prompts—an ability known as in-context learning."“. 2023-yil 3-iyulda asl nusxadan arxivlangan. Qaraldi: 2023-yil 17-may.
  20. ↑ Garg, Shivam; Tsipras, Dimitris; Liang, Percy; Valiant, Gregory (2022). "What Can Transformers Learn In-Context? A Case Study of Simple Function Classes". NeurIPS. "Training a model to perform in-context learning can be viewed as an instance of the more general learning-to-learn or meta-learning paradigm" 
  21. ↑ 21,0 21,1 "Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design or: How I learned to start worrying about prompt formatting". ICLR. 2024. 
  22. ↑ Leidinger, Alina; van Rooij, Robert; Shutova, Ekaterina (2023). Bouamor, Houda; Pino, Juan; Bali, Kalika. eds. "The language of prompting: What linguistic properties make a prompt successful?". Findings of the Association for Computational Linguistics: EMNLP 2023 (Singapore: Association for Computational Linguistics): 9210–9232. doi:10.18653/v1/2023.findings-emnlp.618. https://aclanthology.org/2023.findings-emnlp.618/. Qaraldi: November 18, 2024. Prompt muhandisligi]]
  23. ↑ Linzbach, Stephan; Dimitrov, Dimitar; Kallmeyer, Laura; Evang, Kilian; Jabeen, Hajira „Dissecting Paraphrases: The Impact of Prompt Syntax and supplementary Information on Knowledge Retrieval from Pretrained Language Models“, . Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers). Mexico City, Mexico: Association for Computational Linguistics, June 2024 — 3645–3655-bet. DOI:10.18653/v1/2024.naacl-long.201 (2024-yil 3-noyabrda asl nusxadan arxivlangan). 
  24. ↑ "Efficient multi-prompt evaluation of LLMs". NeurIPS. 2024. 
  25. ↑ Brown, Tom; Mann, Benjamin; Ryder, Nick; Subbiah, Melanie; Kaplan, Jared D.; Dhariwal, Prafulla; Neelakantan, Arvind (2020). "Language models are few-shot learners". Advances in Neural Information Processing Systems 33: 1877–1901. 
  26. ↑ Garg, Shivam; Tsipras, Dimitris; Liang, Percy; Valiant, Gregory (2022). "What Can Transformers Learn In-Context? A Case Study of Simple Function Classes". NeurIPS. 
  27. ↑ Narang; Chowdhery, Aakanksha „Pathways Language Model (PaLM): Scaling to 540 Billion Parameters for Breakthrough Performance“. ai.googleblog.com (2022-yil 4-aprel). 2022-yil 4-aprelda asl nusxadan arxivlangan. Qaraldi: 2023-yil 14-avgust.
  28. ↑ Dang, Ekta „Harnessing the power of GPT-3 in scientific research“. VentureBeat (2023-yil 8-fevral). 2023-yil 18-martda asl nusxadan arxivlangan. Qaraldi: 2023-yil 10-mart.
  29. ↑ "Scaling Instruction-Finetuned Language Models". Journal of Machine Learning Research. 2024. https://jmlr.org/papers/volume25/23-0870/23-0870.pdf. Qaraldi: May 9, 2025. Prompt muhandisligi]]
  30. ↑ Kojima, Takeshi; Shixiang Shane Gu; Reid, Machel; Matsuo, Yutaka; Iwasawa, Yusuke (2022). "Large Language Models are Zero-Shot Reasoners". NeurIPS. 
  31. ↑ "Self-Consistency Improves Chain of Thought Reasoning in Language Models". ICLR. 2023. 
  32. ↑ Goldman, Sharon „Two years after DALL-E debut, its inventor is "surprised" by impact“ (en-US). VentureBeat (2023-yil 5-yanvar). 2025-yil 18-yanvarda asl nusxadan arxivlangan. Qaraldi: 2025-yil 9-may.
  33. ↑ „Stable Diffusion prompt: a definitive guide“ (2023-yil 14-may). 2023-yil 14-avgustda asl nusxadan arxivlangan. Qaraldi: 2023-yil 14-avgust.
  34. ↑ Diab, Mohamad; Herrera, Julian; Chernow, Bob „Stable Diffusion Prompt Book“ (2022-yil 28-oktyabr). — „"Prompt engineering is the process of structuring words that can be interpreted and understood by a text-to-image model."“. 2023-yil 30-martda asl nusxadan arxivlangan. Qaraldi: 2023-yil 7-avgust.
  35. ↑ Heikkilä, Melissa „This Artist Is Dominating AI-Generated Art and He's Not Happy About It“. MIT Technology Review (2022-yil 16-sentyabr). 2023-yil 14-yanvarda asl nusxadan arxivlangan. Qaraldi: 2023-yil 14-avgust.
  36. ↑ Solomon, Tessa „The AI-Powered Ask Dalí and Hello Vincent Installations Raise Uncomfortable Questions about Ventriloquizing the Dead“ (en-US). ARTnews.com (2024-yil 28-avgust). 2025-yil 24-yanvarda asl nusxadan arxivlangan. Qaraldi: 2025-yil 10-yanvar.
  37. ↑ Gal, Rinon; Alaluf, Yuval; Atzmon, Yuval; Patashnik, Or; Bermano, Amit H.; Chechik, Gal; Cohen-Or, Daniel (2023). "An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion". ICLR. 
  38. ↑ "Segment Anything". ICCV. 2023. https://openaccess.thecvf.com/content/ICCV2023/papers/Kirillov_Segment_Anything_ICCV_2023_paper.pdf. 
  39. ↑ Berry, David M. (2026-06-02). "Prompt anxiety and the algorithmic politics of uncertainty" (en). AI & Society. doi:10.1007/s00146-026-03093-8. ISSN 1435-5655. https://doi.org/10.1007/s00146-026-03093-8. 
  40. ↑ Bousquette, Isabelle. „The Hottest AI Job of 2023 Is Already Obsolete“ (en-US). The Wall Street Journal (2025-yil 25-aprel). 2025-yil 7-mayda asl nusxadan arxivlangan. Qaraldi: 2026-yil 24-may.
  41. ↑ Li, Wenwu; Wang, Xiangfeng; Li, Wenhao; Jin, Bo (2025). "A Survey of Automatic Prompt Engineering: An Optimization Perspective". arXiv:2502.11560 [cs.AI]. 
  42. ↑ „Can a technology called RAG keep AI models from making stuff up?“. Ars Technica (2024-yil 6-iyun). 2024-yil 6-iyunda asl nusxadan arxivlangan. Qaraldi: 2025-yil 7-mart.
  43. ↑ Larson, Jonathan; Truitt, Steven (February 13, 2024), GraphRAG: Unlocking LLM discovery on narrative private data, Microsoft, May 7, 2024da asl nusxadan arxivlandi, qaraldi: May 7, 2024
  44. ↑ „An Introduction to Graph RAG“ (en-US). KDnuggets. 2025-yil 20-avgustda asl nusxadan arxivlangan. Qaraldi: 2025-yil 9-may.
  45. ↑ "Explaining Patterns in Data with Language Models via Interpretable Autoprompting". BlackboxNLP Workshop. 2023. https://aclanthology.org/2023.blackboxnlp-1.3.pdf. 
  46. ↑ "Automatic Chain of Thought Prompting in Large Language Models". ICLR. 2023. 
  47. ↑ Opsahl-Ong, Krista; Ryan, Michael J.; Purtell, Josh; Broman, David; Potts, Christopher; Zaharia, Matei; Khattab, Omar (2024). "Optimizing Instructions and Demonstrations for Multi-Stage Language Model Programs". Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing (EMNLP). Miami, Florida: Association for Computational Linguistics. doi:10.18653/v1/2024.emnlp-main.525. 
  48. ↑ Agrawal, Lakshya A. (2025). "GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning". arXiv:2507.19457 [cs.CL]. 
  49. ↑ Khattab, Omar (2023). "DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines". arXiv:2310.03714 [cs.CL]. 
  50. ↑ Li, Xiang Lisa; Liang, Percy „Prefix-Tuning: Optimizing Continuous Prompts for Generation“, . Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers), 2021 — 4582–4597-bet. DOI:10.18653/V1/2021.ACL-LONG.353. 
  51. ↑ Lester, Brian; Al-Rfou, Rami; Constant, Noah „The Power of Scale for Parameter-Efficient Prompt Tuning“, . Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing, 2021 — 3045–3059-bet. DOI:10.18653/V1/2021.EMNLP-MAIN.243. 
  52. ↑ Shin, Taylor; Razeghi, Yasaman; Logan IV, Robert L.; Wallace, Eric; Singh, Sameer „AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts“, . Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP). Online: Association for Computational Linguistics, November 2020 — 4222–4235-bet. DOI:10.18653/v1/2020.emnlp-main.346 (2023-yil 11-iyunda asl nusxadan arxivlangan). 
  53. ↑ Mukherjee, Krishna C. (1999). "Automating Forms Publishing with the Intelligent Filing Manager". IEEE International Conference on Systems, Man, and Cybernetics. pp. 378–383. doi:10.1109/ICSMC.1999.814108. 
  54. ↑ McCann, Bryan; Keskar, Nitish; Xiong, Caiming; Socher, Richard (2018-06-20). "The Natural Language Decathlon: Multitask Learning as Question Answering". ICLR. 
  55. ↑ Knoth, Nils; Tolzin, Antonia; Janson, Andreas; Leimeister, Jan Marco (2024-06-01). "AI literacy and its implications for prompt engineering strategies". Computers and Education: Artificial Intelligence 6. doi:10.1016/j.caeai.2024.100225. ISSN 2666-920X. 
  56. ↑ Bousquette, Isabelle. „The Hottest AI Job of 2023 Is Already Obsolete“ (en-US). Wall Street Journal (2025-yil 25-aprel). 2025-yil 7-mayda asl nusxadan arxivlangan. Qaraldi: 2025-yil 7-may.
  57. ↑ Brubaker, Ben „How Chain-of-Thought Reasoning Helps Neural Networks Compute“ (en). Quanta Magazine (2024-yil 21-mart). 2025-yil 9-mayda asl nusxadan arxivlangan. Qaraldi: 2025-yil 9-may.
  58. ↑ Chen, Brian X. „How to Turn Your Chatbot Into a Life Coach“. The New York Times (2023-yil 23-iyun). 2023-yil 14-avgustda asl nusxadan arxivlangan. Qaraldi: 2023-yil 14-avgust.
  59. ↑ Chen, Zijie; Zhang, Lichao; Weng, Fangsheng; Pan, Lili; Lan, Zhenzhong „Tailored Visions: Enhancing Text-to-Image Generation with Personalized Prompt Rewriting“, . 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2024-06-16 — 7727–7736-bet. DOI:10.1109/cvpr52733.2024.00738. ISBN 979-8-3503-5300-6. 
  60. ↑ Vigliarolo, Brandon „GPT-3 'prompt injection' attack causes bot bad manners“ (en). The Register (2022-yil 19-sentyabr). 2023-yil 29-martda asl nusxadan arxivlangan. Qaraldi: 2023-yil 9-fevral.
  61. ↑ „What is a prompt injection attack?“. IBM (2024-yil 26-mart). 2025-yil 3-martda asl nusxadan arxivlangan. Qaraldi: 2025-yil 7-mart. 
"https://new.ziyosfera.uz/ziyo/Prompt_muhandisligi" dan olindi