МЕТОД КЕРОВАНОГО ІТЕРАТИВНОГО ВИКОНАННЯ ПРОЦЕСІВ У СИСТЕМАХ НА ОСНОВІ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ
DOI:
https://doi.org/10.28925/2663-4023.2026.34.1308Ключові слова:
великі мовні моделі, інтерактивна модель, агентні системи, промпт-інженерія, керування процесами, семантичні мережі, збіжність процесів, адаптивна умова зупинкиАнотація
У статті запропоновано метод керованого ітеративного виконання процесів у системах на основі великих мовних моделей (LLM), який базується на композиції примітивів «Функція», «Суперцикл» та «Умова». Показано, що одноразове виконання запитів до LLM у задачах видобування знань, аналізу текстів та побудови структурованих представлень даних є принципово неповним через стохастичну природу генерації результатів, обмеження контекстного вікна та залежність результату від попереднього контексту. Запропонований підхід реалізує керований ітеративний механізм накопичення результатів із контролем новизни та адаптивною умовою завершення процесу. Розроблено математичну модель динаміки інформаційного приросту, відповідно до якої кількість нових результатів на кожній ітерації демонструє стійку тенденцію до спадання та може бути апроксимована гаусівською функцією. На цій основі обґрунтовано збіжний характер процесу та введено поняття ε-повноти результату, за якого подальші ітерації не забезпечують суттєвого інформаційного приросту. Проведена експериментальна верифікація підтвердила стабільність запропонованого механізму та ефективність адаптивної умови зупинки процесу. Отримані результати створюють методологічну основу для побудови керованих LLM-орієнтованих систем, здатних реалізовувати багатоетапні процеси аналізу, видобування знань, формування семантичних структур та підтримки агентних сценаріїв із контрольованою повнотою та передбачуваним завершенням виконання процесу вирішення задачі.
Завантаження
Посилання
Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys, 55(9), 1-35. https://doi.org/10.1145/3560815
Aghajanyan, A., Okhonko, D., Lewis, M., Joshi, M., Xu, H., Ghosh, G., & Zettlemoyer, L. (2021). HTLM: Hyper-text pre-training and prompting of language models [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2107.06955
Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A systematic survey of prompt engineering in large language models: Techniques and applications [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2402.07927
Lande, D., Yefremov, K., Soboliev, A., & Pyshnograiev, I. (2025). Devising a code-free method for detecting signs of informational-psychological influences in messages. Eastern-European Journal of Enterprise Technologies, 5(2(137)), 55-69. https://doi.org/10.15587/1729-4061.2025.342297
Tang, J., Fan, T., & Huang, C. (2025). AutoAgent: A fully automated and zero-code framework for LLM agents [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2502.05957
Irmak, G., & Mahmoud, Q. H. (2026). Design behaviour and interface consistency in generative no-code tools: A systematic literature review. Computers, 15(4), Article 238. https://doi.org/10.3390/computers15040238
Lande, D., Danyk, Y., & Strashnoy, L. (2026). A no-code programming framework with self-correction based on large language models. In P. Venherskyi, S. Yevseiev, O. Gutik, V. Trushevskyy, & M. Viachalo (Eds.), Proceedings of the Workshop on Cryptology and Data Security (WCDS 2025), co-located with SMICS 2025 (CEUR Workshop Proceedings, Vol. 4191, pp. 22-37). CEUR-WS.org. https://ceur-ws.org/Vol-4191/paper1.pdf
Lande, D., & Strashnoy, L. (2025a). An advanced no-code programming framework for complex problems in LLM environments [Preprint]. ResearchGate. https://doi.org/10.13140/RG.2.2.25307.89129
Lande, D., & Strashnoy, L. (2025b). Orchestration of no-code agents in the AgentFlow framework [Preprint]. SSRN. https://doi.org/10.2139/ssrn.5381820
Ланде, Д., & Рибак, О. (2025). Безкодовий підхід до побудови семантичних мереж засобами промпт-інжинірингу. Information Technology and Security, 13(2), 264-278. https://doi.org/10.20535/2411-1031.2025.13.2.344712
Xu, W., Zhu, G., Zhao, X., Pan, L., Li, L., & Wang, W. (2024). Pride and prejudice: LLM amplifies self-bias in self-refinement. In L.-W. Ku, A. Martins, & V. Srikumar (Eds.), Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics: Volume 1. Long Papers (pp. 15474-15492). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.acl-long.826
Madaan, A., et al. (2023). Self-refine: Iterative refinement with self-feedback. Advances in Neural Information Processing Systems, 36, 46534-46594. https://proceedings.neurips.cc/paper_files/paper/2023/file/91edff07232fb1b55a505a9e9f6c0ff3-Paper-Conference.pdf
Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K., & Yao, S. (2023). Reflexion: Language agents with verbal reinforcement learning. Advances in Neural Information Processing Systems, 36, 8634-8652. https://proceedings.neurips.cc/paper_files/paper/2023/file/1b44b878bb782e6954cd888628510e90-Paper-Conference.pdf
Kumar, A., et al. (2024). SCoRe: Self-correcting reasoning in large language models [Preprint]. arXiv. https://arxiv.org/pdf/2511.09381
Zelikman, E., Lorch, E., Mackey, L., & Kalai, A. T. (2024). Self-taught optimizer (STOP): Recursively self-improving code generation. In First Conference on Language Modeling. OpenReview. https://openreview.net/forum?id=46Zgqo4QIU
Rafique, Z., Wasim, M., Hussain, M., Hussain, M., & Memon, M. I. (2025). From prompt to action: A comprehensive review of LLM autonomous agents. In 2025 IEEE International Conference on Wireless for Space and Extreme Environments (WiSEE) (pp. 1-6). IEEE. https://doi.org/10.1109/WiSEE57913.2025.11229863
Fan, W., Ding, Y., Ning, L., Wang, S., Li, H., Yin, D., Chua, T.-S., & Li, Q. (2024). A survey on RAG meeting LLMs: Towards retrieval-augmented large language models. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 6491-6501). Association for Computing Machinery. https://doi.org/10.1145/3637528.3671470
Lande, D., Puchkov, O., & Subach, I. (2021). Aggregation of information from diverse networks as the basis for training cyber security specialists on processing ultra large data sets. Information Technology and Security, 9(1), 4-16. https://doi.org/10.20535/2411-1031.2021.9.1.247256
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Олександр Пучков, Дмитро Ланде, Ігор Субач
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
