Промпт-инжиниринг для обычных задач: 10 приёмов которые реально работают

Промпт-инжиниринг - это не научная дисциплина с формулами. Это навык написания понятных инструкций для языковой модели. Чем точнее инструкция, тем предсказуемее результат.

Большинство людей используют AI как поисковик: пишут короткий вопрос и ждут магии. Это работает для простых задач. Для сложных - модель нужно вести.

Разберём 10 приёмов которые реально меняют качество ответов.

Приём 1: Роль плюс контекст в начале

Самое простое улучшение: скажите модели кто она и что у вас за ситуация.

Плохо: «Помоги написать письмо клиенту»

Хорошо: «Ты менеджер по продажам B2B-компании. Клиент написал что доволен пилотом, но хочет снизить цену на 20%. Напиши вежливый ответ где объясняется ценность без прямого отказа, и предлагается альтернатива - продлённая рассрочка»

Разница: второй запрос даёт контекст (B2B, пилот успешен, торг), роль (опытный менеджер) и конкретную цель (не отказать, предложить альтернативу). Модель понимает что именно надо сделать.

Хорошая формула начала: «Ты [роль с опытом]. [Ситуация в 1-2 предложениях]. [Задача]»

Приём 2: Задать формат ответа явно

Модели по умолчанию выбирают формат сами. Иногда угадывают, чаще - нет.

Плохо: «Сравни CRM Битрикс и AmoCRM»

Хорошо: «Сравни CRM Битрикс и AmoCRM. Оформи как таблицу с критериями: цена, функции для малого бизнеса, удобство настройки, интеграции с Telegram. После таблицы - один абзац с рекомендацией под разные сценарии»

Полезные форматы которые работают: таблица, нумерованный список, пошаговая инструкция, JSON, Markdown с заголовками, сценарий диалога.

Приём 3: Указать аудиторию

Один и тот же ответ звучит по-разному для разных людей. Если не указать аудиторию - модель выберет «среднего пользователя».

Плохо: «Объясни что такое API»

Хорошо (вариант 1): «Объясни что такое API для HR-менеджера без технического бэкграунда. Без технических терминов, с аналогией из офисной жизни»

Хорошо (вариант 2): «Объясни что такое REST API для Python-разработчика который только начинает. Можно использовать технические термины, но не предполагай знание FastAPI или Flask»

Один запрос - два принципиально разных ответа. Аудитория меняет уровень сложности, термины и примеры.

Приём 4: Дать пример нужного результата

Это один из самых мощных приёмов. Модель отлично учится на примерах прямо в промпте (few-shot learning).

Без примера: «Напиши заголовки для постов в Telegram-канал про продуктивность»

С примером: «Напиши 5 заголовков для постов в Telegram-канал про продуктивность. Стиль как в этих примерах:

• Потратил 40 минут на планирование. Сэкономил 3 часа
• Почему задачи на «потом» никогда не делаются
• Метод 2 минут: почему он работает только половину времени Напиши 5 новых заголовков в том же стиле»

С примерами модель понимает тон, длину, структуру. Без примеров - угадывает.

Для задач с конкретным форматом (JSON, SQL, HTML) дайте пример входа и выхода: «Входные данные выглядят так: [...]. Нужный результат выглядит так: [...]. Теперь сделай то же самое для:»

Приём 5: Попросить рассуждать вслух

Для сложных задач (анализ, вычисления, план действий) модель даёт лучшие результаты если «думает вслух».

Плохо: «Оцени этот бизнес-план»

Хорошо: «Оцени этот бизнес-план. Сначала перечисли главные риски, потом сильные стороны, потом дай итоговую оценку и три конкретные рекомендации. Думай вслух по каждому пункту»

Фраза «думай вслух» или «рассуждай шаг за шагом» запускает более внимательный разбор задачи. Для математики или логических задач это снижает ошибки. Для анализа - делает рассуждение прозрачнее.

Приём 6: Ограничения и исключения

Часто важнее сказать что НЕ нужно, чем что нужно.

Без ограничений: «Напиши пост для Instagram про открытие кафе»

С ограничениями: «Напиши пост для Instagram про открытие кафе. Не используй слова: уютный, атмосферный, вкусный, атмосфера. Без хэштегов. Без шаблонных призывов. Длина - 3-4 предложения»

Ограничения убирают клише и шаблонные решения. Особенно полезно для текстов где хочется живого голоса.

Приём 7: Разбить сложную задачу на шаги

Одна большая задача часто даёт хуже результат чем несколько последовательных запросов.

Плохо (один запрос): «Сделай полный анализ рынка онлайн-образования в России и дай рекомендации по выходу»

Лучше (несколько запросов):

1. «Перечисли 10 ключевых игроков онлайн-образования в России с кратким описанием каждого»
2. «Для каждого из этих игроков определи их основную аудиторию и ценовой сегмент» (ссылаясь на результат шага 1)
3. «На основе этого анализа определи незаполненные ниши»
4. «Для ниши X разработай стратегию входа с конкретными первыми шагами»

Каждый шаг можно проверить и скорректировать. Итоговое качество выше.

Приём 8: Попросить несколько вариантов

Если нужно выбрать из нескольких опций, сразу просите варианты.

Плохо: «Придумай название для приложения по трекингу привычек»

Хорошо: «Придумай 10 вариантов названия для мобильного приложения по трекингу привычек. Для каждого укажи: само название, почему оно подходит, возможные домен.ru (придумай). Покрой разные стили: серьёзные, игривые, минималистичные, со смыслом в названии»

Один вариант - один стиль мышления. Десять вариантов с разными критериями - шанс найти что-то неожиданно хорошее.

Приём 9: Обратная связь и итерации

Диалог с моделью - это не один запрос. Это итеративный процесс.

После первого ответа пишите конкретную правку:

• «Сделай короче, убери вступление»
• «Добавь конкретные цифры в пункт 3»
• «Перепиши вторую часть в более разговорном стиле»
• «Второй вариант лучше, но измени концовку - она должна заканчиваться вопросом»

Не начинайте заново если ответ «почти то». Направляйте модель через конкретную правку.

Полезный шаблон: «Вот что хорошо в этом ответе: [что понравилось]. Вот что нужно изменить: [конкретная правка]. Перепиши»

Приём 10: Системный промпт для повторяющихся задач

Если используете модель для одной и той же задачи регулярно - напишите системный промпт один раз и используйте его постоянно.

Системный промпт - это инструкция которая работает в фоне для всех запросов в сессии или проекте.

Пример для редактуры текстов: «Ты опытный редактор. Входящие тексты - это черновики для Telegram-канала по теме [тема]. Задача: убрать клише и воду, сделать предложения короче (не больше 2 строк), сохранить смысл и авторский голос. Не добавлять вступления и выводы если их нет в оригинале»

Теперь можно просто вставлять черновики без повторения инструкций.

В Claude это делается через Projects и Custom Instructions. В ChatGPT - через Custom GPTs или Settings.

Разница между моделями: один промпт - разные результаты

Один и тот же промпт работает по-разному на разных моделях. То что даёт отличный результат на Claude 3.5 Sonnet может быть посредственным на GPT-4o-mini.

Несколько практических наблюдений:

Claude хорошо следует длинным детальным инструкциям. Если прописать много ограничений и правил - он их держит лучше других. Для задач с чёткими правилами (редактура по гайдлайну, форматирование) - Claude предпочтительнее.

GPT-4o лучше с творческими и неструктурированными задачами. Промпт можно писать более свободно. При этом GPT чаще добавляет «отсебятину» которую не просили.

Gemini Flash хорошо работает с длинным контекстом и быстрый. Для задач где нужно обработать большой документ и ответить по нему - хороший выбор.

Локальные модели (Llama, Mistral) требуют более явных инструкций. Фраза «напиши кратко» для них значит меньше чем «напиши не более 3 предложений». Чем конкретнее - тем лучше.

Практический совет: если промпт перестал давать хорошие результаты - попробуйте его на другой модели. Иногда проблема не в промпте, а в том что конкретная модель плохо справляется с конкретным типом задачи.

Бонус: признаки плохого промпта

Плохой промпт обычно имеет один из этих признаков:

Слишком коротко без контекста: «напиши описание продукта» - какого продукта, для кого, в каком формате?

Неточные прилагательные: «сделай интересно», «напиши качественно» - у модели нет критерия что значит интересно для вас.

Несколько разных задач в одном запросе: «напиши пост, придумай заголовок, предложи хэштеги и сделай версию для email» - лучше разбить на отдельные запросы.

Нет ограничений по объёму: без указания длины модель выдаёт столько сколько «кажется нормальным» - часто слишком много.

Нет указания формата: модель выберет сама, и это может не совпасть с нужным.

Частые вопросы

Нужно ли изучать промпт-инжиниринг как отдельную профессию? Для большинства задач - нет. Базовые приёмы из этого гайда покрывают 90% случаев. «Промпт-инжиниринг» как специализация нужен при работе с крупными продуктами где промпты оптимизируются под конкретные бенчмарки и стоимость API.

Работают ли одни и те же промпты на всех моделях? Нет. Структура промпта которая отлично работает на Claude может давать посредственный результат на Llama. Некоторые модели лучше понимают роль в начале промпта, другие - в конце. Это требует тестирования под конкретную модель.

Помогают ли «магические слова» вроде «пожалуйста» или «это очень важно»? Исследования показывают небольшой эффект для некоторых моделей в определённых задачах. Но это не замена конкретному описанию задачи и формата.

Итог: когда что использовать

Для простых задач (перевести, резюмировать, ответить на вопрос): достаточно конкретного запроса без лишних украшений.

Для творческих задач: роль + аудитория + примеры + ограничения.

Для аналитических задач: роль + «думай вслух» + разбивка на шаги.

Для регулярных задач: системный промпт один раз + короткие запросы каждый раз.

Промпт-инжиниринг не требует специальных знаний. Это просто практика чёткого объяснения задачи - как коллеге который умный, но не читает мысли.

Разборы свежих AI-новостей - в канале AI Компас.

Больше гайдов - guides.kosmoslab.dev/guides.