Что такое промпт-инжиниринг: практический гид с примерами
Промпт-инжиниринг — умение писать запросы, которые дают стабильный результат от ИИ-моделей. Из чего состоит хороший промпт, с примерами «до и после».
В этой статье
- Почему формулировка промпта так важна?
- Как выглядит хороший промпт?
- Из каких частей состоит хороший промпт?
- Промпт-инжиниринг нужен только для чат-ботов?
- Разбор на примере: от расплывчатого к надёжному
- Какие приёмы промптинга стоит знать в первую очередь?
- Чем промпт-инжиниринг не является
- Как стать в этом лучше?
Промпт-инжиниринг — это проектирование входных данных для большой языковой модели (инструкций, контекста, примеров и требований к формату) так, чтобы результат был полезным, точным и стабильным. На практике это значит решить, что модели нужно знать, что она должна сделать и как должен выглядеть результат, а затем проверить, даёт ли промпт именно это.
Определение звучит абстрактно, поэтому большая часть этого гида состоит из примеров. Если запомнить только одно: модель может работать только с тем, что перед ней лежит. Большинство плохих результатов возникает из-за промпта, в котором нет того, что автор знал, но так и не сказал.
Почему формулировка промпта так важна?
Языковая модель предсказывает продолжение полученного текста. У неё нет доступа к вашему проекту, вашей аудитории, прошлым черновикам или вашему разговору с руководителем о тоне. Всё, что она знает о вашей ситуации, она берёт из промпта (а в чат-приложениях ещё из предыдущих сообщений и функций памяти).
Поэтому, когда в промпте написано «составь краткое изложение этого отчёта», модель каждый пробел заполняет догадкой. Какой длины? Для кого? Списком или сплошным текстом? Нужно ли указать риски или оставаться нейтральным? Догадка будет правдоподобной и шаблонной, потому что при нехватке информации шаблонный вариант самый безопасный.
Промпт-инжиниринг — это в основном дисциплина целенаправленного закрытия таких пробелов.
Как выглядит хороший промпт?
Вот запрос, который люди каждый день отправляют чат-ассистентам:
Напиши письмо моей команде о новом дедлайне.
Модель составит вежливое, пресное письмо с заглушками вроде «[новая дата]». Не неверное, но бесполезное без правок.
Теперь вариант от человека, который делал это уже несколько раз:
Напиши короткое письмо моей команде из пяти бэкенд-инженеров.
Контекст: срок миграции API перенесён с 14 марта на 28 марта,
потому что платёжный вендор задержал свою песочницу. В задержке
никто из команды не виноват. Двое планировали отпуск с учётом
прежней даты.
Цель: сообщить новую дату, объяснить причину одним предложением
и сказать, что планы на отпуск менять не нужно.
Тон: прямой и спокойный, без канцелярита. До 120 слов.
Подпись: "Дана".
Ничего хитрого там не произошло. Во втором промпте просто есть факты, аудитория, цель, тон и ограничение по длине. Это и есть основная часть промпт-инжиниринга для повседневных задач.
Из каких частей состоит хороший промпт?
В разных руководствах их называют по-разному, но одни и те же элементы встречаются снова и снова. Не каждый нужен в каждом промпте.
Задача. Глагол и объект. «Кратко изложи», «классифицируй», «перепиши», «извлеки», «сравни». Расплывчатые глаголы вроде «помоги с» или «посмотри на» заставляют модель угадывать, что от неё нужно.
Контекст. Фон, который модель не может вывести сама: кто аудитория, для чего документ, что уже пробовали. От него зависит основная часть качества. Мы подробно разбираем его в теме «роль и контекст».
Ограничения. Длина, тон, уровень сложности текста, чего избегать, что обязательно включить. Ограничения писать недорого, а сэкономить они помогают много обменов репликами.
Формат результата. Маркированный список, таблица, JSON с определёнными ключами, одно слово. Если результат прочитает программа, формат не опционален. Такой случай подробно разобран в теме «структурированный вывод».
Примеры. От одной до нескольких пар «вход-выход», показывающих нужный шаблон. Примеры сильны, но ими легко злоупотребить, поэтому мы написали отдельную статью о zero-shot и few-shot промптинге.
Иногда в составные части включают и роль («Ты опытный налоговый бухгалтер»). Она может задать лексику и глубину, но роль без контекста даёт намного меньше, чем ждут. «Ты эксперт по маркетингу» добавляет мало; «Читатели — менеджеры по закупкам в больницах, которые пробегают текст глазами с телефона» добавляет много.
Промпт-инжиниринг нужен только для чат-ботов?
Нет, и именно здесь термин оправдывает слово «инжиниринг». Под этим названием скрываются две довольно разные работы.
Первая — диалоговый промптинг: вы печатаете в ChatGPT, Claude или Gemini и повторяете, пока ответ не станет хорошим. Здесь можно поправить курс на следующем ходу, поэтому слабый промпт стоит вам минуты.
Вторая — промпты внутри программ: бот поддержки, классификатор документов, инструмент для код-ревью, агент, который вызывает API. Промпт запускается тысячи раз на данных, которых вы никогда не видели. Никто не скажет: «нет, покороче». Небольшая неоднозначность, которую вы исправили бы в чате, превращается в 4% сбоев в продакшене.
Вторая работа добавляет то, что первой редко требуется:
- Системный промпт, определяющий поведение во всех диалогах (как его написать).
- Строгие форматы вывода, чтобы код мог разобрать результат.
- Заземление модели на найденные документы, чтобы она не выдумывала факты.
- Защиту от prompt injection, потому что в пользовательском вводе и документах могут быть собственные инструкции.
- Тестовый набор: несколько десятков реальных входных данных, которые вы заново прогоняете при каждом изменении промпта.
Последний пункт новички пропускают, а практики никогда. Если вы меняете промпт в продакшене, не прогнав тестовые случаи, вы гадаете.
Разбор на примере: от расплывчатого к надёжному
Допустим, нужно, чтобы модель раскладывала входящие сообщения клиентов по категориям. Первая попытка:
Определи категорию этого сообщения клиента.
Сообщение: "С меня дважды списали деньги по мартовскому счёту, исправьте."
В ответ приходит что-то вроде «Это сообщение относится к категории Billing, поскольку клиент сообщает о двойном списании». Для человека нормально, для кода мучительно. А следующее сообщение может вернуться как «Payments» вместо «Billing», ведь вы не сказали, какие категории существуют.
Вторая попытка:
Отнеси сообщение клиента ровно к одной категории.
Категории:
- billing: списания, возвраты, счета, способы оплаты
- account: вход, пароль, профиль, удаление аккаунта
- bug: что-то в продукте сломано или работает неправильно
- other: всё остальное
Ответь только названием категории строчными буквами, больше ничего.
Сообщение: """С меня дважды списали деньги по мартовскому счёту, исправьте."""
Работу сделали три изменения. Набор меток зафиксирован, у каждой метки есть короткое определение, чтобы у пограничных случаев было куда деться, и формат вывода прописан. Тройные кавычки отмечают, где начинается и заканчивается текст пользователя, и помогают модели не смешивать данные и инструкции (хотя от намеренных атак это не защитная граница).
Затем вы проверяете это на двадцати реальных сообщениях, включая неудобные вроде «Не могу войти, чтобы посмотреть счёт». Это billing или account? На это должны отвечать ваши определения. Если не отвечают, модель будет выбирать непоследовательно, а решение — более точное определение, а не более строгий тон.
Какие приёмы промптинга стоит знать в первую очередь?
Короткий и честный список в том порядке, в котором они обычно важны:
- Будьте конкретны в задаче и формате результата. Это закрывает большинство повседневных проблем.
- Давайте контекст. Аудитория, цель, ограничения, как выглядит «хорошо».
- Показывайте примеры, когда формат или стиль трудно описать словами.
- Просите рассуждение перед ответом в задачах в несколько шагов. На этом строится chain-of-thought промптинг, хотя новые модели с рассуждением многое из этого делают сами.
- Опирайтесь на источники, когда важны факты, используя поиск. Об этом тема про заземление (RAG).
- Чётко описывайте инструменты, если модель может совершать действия.
В списке нет волшебных фраз. Раньше люди обменивались заклинаниями вроде «сделай глубокий вдох» или обещанием чаевых модели. У некоторых был измеримый эффект на отдельных старых моделях, но они ненадёжно переносятся и не заменяют промпт, который говорит, чего вы хотите.
Чем промпт-инжиниринг не является
Это не способ заставить модель знать то, чего она не знает. Если ответ зависит от внутренней политики вашей компании, никакая формулировка его не даст, пока политика не будет в промпте или не подгружена в него поиском.
Это и не разовое действие. Модели обновляются, входные данные меняются, и промпт, который работал на одной модели, на другой может вести себя иначе. Тестируйте на той модели, которой пользуетесь, и перепроверяйте при её изменении.
И это не только писательство. Значительная часть работы — критическое чтение результатов: заметить, где модель выполнила букву инструкции, но упустила замысел, и понять, какого предложения не хватило.
Как стать в этом лучше?
Пишите промпты для реальных задач, внимательно читайте результаты и меняйте что-то одно за раз. Читайте руководства по промптингу, которые OpenAI, Anthropic и Google публикуют для своих моделей: они бесплатны, конкретны и написаны людьми, которые видят много случаев сбоев.
Помогает и отдельная тренировка решений: какая из этих четырёх инструкций исправит этот результат, где именно этот промпт ломается. Для такой тренировки создан TokIQ — приложение с тестами, которое мы делаем (в Google Play, скоро на iPhone). Чем бы вы ни пользовались, важна одна привычка: считайте каждый разочаровывающий результат информацией о вашем промпте. Структурированный путь описан в статье как выучить промпт-инжиниринг, а начать можно с темы «основы».
Частые вопросы
Что такое промпт-инжиниринг простыми словами?
Промпт-инжиниринг — это написание инструкций, контекста и примеров для ИИ-модели так, чтобы она выдала именно тот результат, который вам нужен. Он охватывает и формулировку одного запроса, и проектирование повторно используемых промптов внутри приложений.
Актуален ли промпт-инжиниринг, если модели стали умнее?
Да. Лучшие модели чаще прощают расплывчатые формулировки, но всё равно не могут угадать контекст, которого вы им не дали, вашу планку качества или точный формат, которого ждёт ваш код. Работа сместилась от приёмов к чёткой постановке задачи и тестированию.
Нужно ли уметь программировать, чтобы заниматься промпт-инжинирингом?
Нет. Основа навыка — ясное письмо и аккуратное тестирование. Программирование помогает, когда вы встраиваете промпты в программы, например проверяете JSON на выходе или прогоняете один промпт на многих тестовых данных.
Из каких основных частей состоит промпт?
В полезном промпте обычно есть задача, нужный модели контекст, ограничения вроде длины или тона, формат результата и иногда примеры. Нужны не все части в каждом промпте, но отсутствие контекста и формата — самые частые причины слабых результатов.
- #промпт-инжиниринг
- #основы
- #примеры промптов
- #LLM