Prompt-based Extraction (Cloze Prompting with Verbalizer)
What it does
The method transforms a classification task into fill-in-the-blank: text is inserted into a template with a [MASK], and the model selects the most probable word from a predefined list (verbalizer). This ensures predictability and high accuracy in extracting sentiment or category.
When it helps
Use this technique when you need to extract sentiment or classify text with high accuracy and predictability. Particularly effective for analyzing recommendation letters, customer reviews, and employee feedback. Suitable when consistent evaluations and correlation with real results are important. Ideal for HR tasks (candidate assessment), content moderation, and sentiment analysis in reviews. Apply when you need to restrict the model to specific answer categories instead of free generation.
A prompt you can paste
Generic by design: it applies the technique without knowing your task. Adapt the marked parts.
Ты — ассистент-аналитик. Твоя задача — классифицировать текст по заданным категориям, используя метод "заполнение маски" с вербализатором. **# Контекст** [Опишите здесь контекст, в котором используется текст. Например: "Я собираю отзывы о нашей новой функции 'Экспорт в PDF' и хочу автоматически классифицировать их по основной теме, чтобы направить в нужную команду."] **# Входной текст** [Вставьте сюда текст, который нужно проанализировать. Например: "Спасибо за новую функцию! Очень ждал. В целом работает хорошо, но было бы здорово, если бы можно было выбирать ориентацию страницы — книжную или альбомную. Сейчас по умолчанию только книжная, и мои таблицы не помещаются."] **# Задача** Проанализируй приведенный выше **Входной текст** и определи его основную тему/категорию. Для этого мысленно подставь его в следующий шаблон и выбери наиболее подходящее слово из предложенных списков. **# Шаблон** `[Входной текст] В этом тексте пользователь в первую очередь описывает [МАСКА].` **# Списки слов для выбора (Вербализатор)** * **Категория 1:** `["слово1_категории1", "слово2_категории1", "слово3_категории1"]` * **Категория 2:** `["слово1_категории2", "слово2_категории2", "слово3_категории2"]` * **Категория 3:** `["слово1_категории3", "слово2_категории3", "слово3_категории3"]` [Добавьте или измените категории и слова в соответствии с вашей задачей.] **# Формат ответа** В ответе укажи ТОЛЬКО ОДНО слово, которое ты выбрал из списков. Никаких дополнительных объяснений.
If this one does not fit, the two closest alternatives in the corpus are Requirement-Oriented Prompt Engineering (ROPE) and Hard-to-Easy Instruction Ordering, which target the same failure from a different angle.
Worked example
The same technique applied to a concrete job: pull structured fields out of inconsistent invoices. Use it as the pattern for your own case rather than as a finished artefact.
Ты — ассистент-аналитик, специализирующийся на извлечении структурированных данных из нерегулярных документов, таких как счета. Твоя задача — извлекать ключевую информацию из предоставленного счета и представлять ее в стандартизированном формате. **# Контекст** Я получаю счета от разных поставщиков в различных форматах. Мне нужно извлечь конкретные поля из каждого счета, чтобы внести их в нашу систему учета. Точность и полнота извлечения критически важны. **# Входной текст (Счет)** [ВСТАВЬТЕ ТЕКСТ СЧЕТА ЗДЕСЬ] **# Задача** Проанализируй приведенный выше **Входной текст (Счет)** и извлеки следующую информацию. Используй для этого шаблон и списки слов, чтобы обеспечить предсказуемость и точность. **# Шаблон** `[Входной текст] Из этого счета были извлечены следующие данные: [МАСКА].` **# Списки слов для выбора (Вербализатор)** * **Основные поля:** `["Номер счета", "Дата счета", "Сумма к оплате", "Имя поставщика", "Наименование услуги/товара", "Срок оплаты"]` * **Дополнительные поля:** `["Адрес поставщика", "Контактная информация поставщика", "Налоговый номер поставщика", "Описание позиции", "Количество", "Цена за единицу", "Общая сумма по позиции"]` **# Формат ответа** В ответе предоставь извлеченные данные в формате JSON. Каждый ключ в JSON должен соответствовать одному из **Основные поля** или **Дополнительные поля**. Если какое-либо поле не найдено во входном тексте, используй значение `null`. **Пример JSON-структуры:**
Get this written for your actual task
Paste what you are trying to do and the corpus will be matched against it directly. Free, no account, about ten seconds.
single retrieval pass
That number is low on purpose, and it is real. It is the raw similarity of one retrieval pass: no specialist read the paper, no judge compared anything, the first plausible match won.
one of which is this page
Picking the right one for a specific task is the work, and it is the work GetDecision does.
| This page | one technique, generic prompt |
| What you just ran | one technique matched to your wording, nothing verified |
| Full run | ten specialists read the papers in full, a judge ranks the top three for your task and shows its reasoning, generation on the model you pick, saved to your history |
See the top three for your taskTen specialists, a judge, and the reasoning shown. Free account, first run included.
Run the full analysis