Как проектировать под грязные данные? Верни JSON {"principles": [список из 2+ принципов], "why": "кратко"}.
Идеальных данных не бываетРеальные данные всегда грязнее, чем кажется: пропуски, опечатки, неоднозначности, разные форматы, мусор. Принципы работы: явно инструктировать модель помечать отсутствующее и неоднозначное, а НЕ выдумывать (честный «не знаю» лучше правдоподобной лжи); давать примеры сложных случаев в промпте (few-shot), чтобы задать поведение; обрабатывать краевые случаи (пустой вход, битый формат) осознанно, а не надеяться; тестировать на реальных грязных примерах, а не на идеальных. Система, отлаженная на чистых данных, ломается на реальных. Правило: проектируй под грязные данные — требуй помечать пропуски и неоднозначное вместо выдумки, показывай сложные примеры и тестируй на реальном мусоре, а не на идеале.