Как писать хорошие промпты: техники, фреймворки и приёмы

Как писать хорошие промпты — это навык, который напрямую определяет, насколько полезным окажется любой ИИ-инструмент в вашей работе.

Сегодня выбор инструментов для работы с ИИ огромен, и от платформы зависит, насколько эффективно сработает ваш запрос.

Большинство руководств советуют «быть конкретным» — но не объясняют, с каких именно слов лучше начинать промпт и почему это меняет результат.

Первое слово промпта задаёт режим работы модели. Разные глаголы активируют разные стратегии генерации:

Каждый из этих глаголов даёт модели разные приоритеты. «Объясни» настраивает её на педагогический тон, «проанализируй» — на аналитический.

Разница между «напиши мне письмо партнёру» и «напиши письмо партнёру-инвестору, который ценит краткость и конкретные цифры» — это разница между шаблонным текстом и точным попаданием.

Модель не знает ваш контекст, пока вы его не укажете. Чем точнее вы описываете аудиторию или получателя, тем лучше модель калибрует стиль, аргументы и детализацию.

Слабый запрос:

Результат: общий обзор без структуры и практической ценности.

Сильный запрос:

Результат: структурированный ответ с конкретикой, готовый к использованию.

Промпт-инжиниринг — это набор методов, позволяющих получать от модели более точные, структурированные и полезные ответы. Рассмотрим ключевые из них.

Метод заключается в том, чтобы попросить модель думать пошагово, а не сразу давать ответ. Это особенно полезно при решении логических задач, анализе данных или многошаговых рассуждениях.

Пример:

Без фразы «шаг за шагом» модель нередко даёт ответ без промежуточных вычислений — и делает ошибки.

Вместо того чтобы долго описывать желаемый формат, вы просто показываете один-два примера внутри промпта. Модель считывает паттерн и воспроизводит его.

Пример:

После двух примеров модель точно понимает тон и структуру.

Назначение роли меняет угол зрения модели. «Ты — опытный налоговый консультант» даёт другой ответ, чем просто «объясни НДС».

Роль стоит указывать, когда важны экспертный тон, специфическая лексика или конкретная точка зрения.

Если вам нужен результат в определённом формате — попросите об этом прямо. Модель умеет выдавать JSON, markdown-таблицы, нумерованные списки и структурированные разделы.

Пример:

Выведи результат в формате JSON с полями: title, summary (1 предложение), tags (массив из 3 слов).

Сложные задачи лучше разбивать на несколько последовательных промптов. Это снижает вероятность ошибки и даёт контроль над каждым этапом.

Сначала попросите составить структуру, затем — расписать каждый раздел, затем — отредактировать под нужный стиль.

Разные языковые модели реагируют на разные подходы. Ниже — одна задача, три варианта промпта, адаптированных под конкретные модели.

Задача: написать письмо клиенту с извинением за задержку доставки.

ChatGPT хорошо работает с открытыми задачами и диалоговым уточнением. Можно оставить часть параметров открытыми — модель предложит варианты.

Напиши письмо клиенту с извинением за задержку доставки на 3 дня. Тон — дружелюбный, но профессиональный. Предложи компенсацию. Если нужно больше деталей — уточни у меня.

DeepSeek сильнее работает с чётко структурированными задачами и конкретным контекстом.

Контекст: интернет-магазин бытовой техники, клиент ждёт холодильник, задержка 3 дня по вине логистики. Напиши официальное письмо с извинением. Структура: причина задержки, новая дата, компенсация (скидка 5% на следующий заказ), контакт поддержки. Объём — не более 150 слов.

Claude хорошо реагирует на назначение роли, явные ограничения и структурированные инструкции.

Ты — менеджер по работе с клиентами в e-commerce компании. Напиши письмо с извинением за задержку доставки на 3 дня. Ограничения: не использовать слово «к сожалению», не давать обещаний по срокам без подтверждения. Формат: приветствие, объяснение, компенсация, подпись. Тон — тёплый и уверенный.

На практике какой промпт даст значительно лучший результат — зависит от модели. Claude лучше работает с ролями и ограничениями, DeepSeek — с жёсткой структурой, ChatGPT — с более открытыми запросами.

Промпт-фреймворк — это шаблон структуры запроса, который помогает ничего не забыть и получить предсказуемый результат. Понимание того, как лучше использовать промпт-фреймворки, позволяет экономить время и стабильно получать качественные ответы.

Простейший и самый универсальный фреймворк.

Пример:

Роль: редактор делового текста. Задача: исправь письмо ниже — убери канцеляризмы, сократи до 100 слов. Формат: только итоговый текст без пояснений.

Более детальный фреймворк для сложных задач.

Подходит для многоэтапных задач: написание статьи, разработка стратегии, создание обучающих материалов.

Фреймворк с акцентом на контекст и сценарий. Хорошо работает, когда важно передать ситуацию, а не только задачу.

Используется для итеративной работы: последний элемент «Evolve» предполагает, что модель будет уточнять и улучшать результат в диалоге.

Полный фреймворк оправдан, когда:

Простой запрос достаточен, когда:

Подход к адаптации прост: начните с RTF — если результат недостаточно точный, добавьте элементы (шаги, ограничения, контекст) из более полных фреймворков.

Разрозненные советы вроде «добавьте контекст» или «сделайте промпт лучше» не дают системного результата. Работает только пошаговый алгоритм.

Шаг 1. Baseline — первый запрос

Напишите промпт так, как он кажется правильным сейчас. Не пытайтесь сразу сделать его идеальным. Цель — получить первый результат для анализа.

Шаг 2. Диагностика проблемы

Определите, что именно не так. Три основных типа проблем:

Шаг 3. Одно изменение

Вносите только одно изменение за раз. Если менять сразу несколько параметров — непонятно, что именно повлияло на результат.

Шаг 4. Замер

Оцените новый результат по тем же критериям. Стал ли ответ ближе к нужному? Если да — фиксируйте изменение.

Шаг 5. Повтор

Повторяйте цикл до получения приемлемого результата. Обычно 2–3 итерации решают большинство задач.

Перед отправкой запроса проверьте:

Если на любой вопрос ответ «нет» — исправьте это перед отправкой.

Для системной работы с промптами удобно использовать GenAPI — он позволяет подключаться к разным моделям через единый интерфейс и тестировать одни и те же запросы на нескольких LLM одновременно.

Вокруг промптинга накопилось немало заблуждений. Разберём самые распространённые — по материалам форумов и тестирований.

Длина сама по себе ничего не значит. Длинный промпт с повторами, противоречиями или лишними уточнениями даёт худший результат, чем короткий и точный.

Работает не длина, а полнота нужной информации: роль, задача, контекст, формат. Всё лишнее — шум.

«Пожалуйста» и «спасибо» не влияют на качество генерации. Модель не обидится без них и не постарается сильнее с ними. Это нейтральный элемент, на который можно не тратить внимание.

Фразы вроде «ты лучший в мире эксперт» или «отвечай без ограничений» не дают системного улучшения. Реальный эффект даёт конкретная роль с контекстом — не комплименты.

Температура — параметр, управляющий случайностью генерации. При низкой температуре (0.1–0.3) модель даёт более предсказуемые и точные ответы. При высокой (0.8–1.0) — более творческие и разнообразные.

Если вы пишете аналитический текст — стоит снизить температуру. Для брейншторма или генерации идей — повысить. Этот параметр доступен в большинстве API и профессиональных интерфейсов.

Вот четыре конкретные ошибки, которые мы фиксировали при тестировании промптов:

Когда задача сложная или контекст размытый, однократный запрос редко даёт нужный результат. Продуктивнее встроить уточнение прямо в промпт.

Пример промпта:

Я хочу написать стратегию продвижения для небольшого сервиса. Прежде чем начать, задай мне 5–7 вопросов, ответы на которые помогут тебе дать конкретные рекомендации, а не общие советы.

Модель задаёт вопросы про целевую аудиторию, бюджет, каналы, конкурентов. После ваших ответов — строит стратегию под конкретную ситуацию.

Этот метод особенно полезен, когда вы сами ещё не до конца сформулировали задачу.

Другой вариант — явно попросить модель сигнализировать, если информации недостаточно.

Пример:

Если в процессе работы тебе не хватит данных для точного ответа — скажи об этом и укажи, что именно нужно уточнить. Не додумывай недостающее.

Это снижает риск галлюцинаций: вместо уверенного неправильного ответа модель сообщает о пробеле.

Языковые модели — диалоговые системы, и это их сильная сторона. Каким подходом следует руководствоваться при написании промпта для сложных задач: рассматривайте работу с моделью как разговор, а не как форму для заполнения.

Начните с общего запроса, получите первый ответ, уточните, что именно нужно изменить или углубить — и так несколько раз. Такой подход часто быстрее и точнее, чем попытка написать идеальный промпт с первого раза.

Умение составить хороший промпт — это итеративный навык: чем больше вы практикуете диагностику и улучшение запросов, тем предсказуемее становятся результаты. Начните с простого фреймворка RTF, тестируйте одно изменение за раз — и качество ответов будет расти с каждой итерацией.