Playbook в промпте: GPT-4.1 лидирует на τ²-bench без дообучения
Playbook в промпте: GPT-4.1 лидирует на τ²-bench без дообучения Если агент на поддержке снова срывается, когда клиент просит и отмену, и смену адреса в одном диалоге, проблема часто не в «слабой» модели. На τ²-bench IBM Research дописала к политике выученные правила из прошлых прогонов — тот же GPT-4.1, те же веса, Pass^4 в retail вырос с 57,5% до 67,5%. Правила короткие: подтверждение перед записью в базу, один инструмент за ход, без смешивания ответа пользователю и вызова API. Часть строк отсекают по счётчику поддержки на train-задачах, иначе в контекст лезут единичные фейлы. Перед апгрейдом модели в Cursor имеет смысл прогнать тот же сценарий с блоком правил в system prompt и с урезанным списком — на airline компактный набор дал надёжнее полного при меньшем input.