Основы

Основы промпт-инжиниринга: как формулировать запросы

Практичный промптинг: роль и контекст, чёткая структура задачи, примеры и few-shot. Приёмы, которые повышают качество ответов без смены модели.

2 минуты чтения

Промпт-инжиниринг — это не магия, а навык формулировать задачу так, чтобы модель поняла её однозначно. На одной и той же модели грамотный промпт даёт заметно более стабильный результат, чем расплывчатый. Разберём приёмы, которые работают на любой модели каталога и не требуют дообучения.

Задайте роль и контекст

Модель по умолчанию не знает, кто вы и зачем спрашиваете. Роль в системном промпте задаёт тон, глубину и словарь ответа:

  • Роль — «ты опытный технический редактор» точнее, чем пустой старт: модель подстраивает стиль под ожидаемую экспертизу.
  • Аудитория — «объясни для junior-разработчика» и «для CTO» дают разный уровень детализации.
  • Ограничения — язык ответа, длина, формат: «ответь по-русски, не длиннее пяти пунктов».

Структурируйте задачу

Чем яснее структура промпта, тем меньше «отсебятины» в ответе. Разделяйте инструкцию, входные данные и требуемый формат — визуально или явными метками:

Задача: классифицируй отзыв по тональности.
Категории: позитивный, нейтральный, негативный.
Формат ответа: одно слово из списка, без пояснений.

Отзыв: "Доставка задержалась на день, но поддержка помогла."
Разделяйте инструкцию и данные. Если пользовательский текст вклеен прямо в предложение с инструкцией, модель может принять его за часть задачи. Метки вроде Отзыв: или тройные кавычки снимают эту двусмысленность.

Показывайте примеры: few-shot

Один из самых надёжных приёмов — few-shot: дайте несколько примеров пар «вход → ожидаемый выход». Модель улавливает формат и логику по образцам точнее, чем по словесному описанию:

Извлеки город и дату из текста в формате JSON.

Текст: Встреча в Москве 5 июля.
Ответ: {"city": "Москва", "date": "2026-07-05"}

Текст: Прилетаю в Казань третьего августа.
Ответ: {"city": "Казань", "date": "2026-08-03"}

Текст: Буду в Сочи 12 сентября.
Ответ:
  • 2–5 примеров обычно достаточно; больше — только если формат сложный.
  • Показывайте краевые случаи — если бывают пустые значения или неоднозначность, включите такой пример.
  • Держите формат единым во всех примерах: модель копирует то, что видит.

Итерируйте и проверяйте

  1. Начните с простого промпта и посмотрите, где модель ошибается.
  2. Добавляйте конкретику точечно: уточнение роли, пример краевого случая, явное правило формата.
  3. Прогоняйте промпт на нескольких разных входах, а не на одном удачном — так видно стабильность.
  4. Один и тот же промпт легко сравнить на разных моделях каталога: меняется только параметр model.
Не усложняйте промпт бесконечно. Если после нескольких итераций качество не растёт, проблема может быть в выборе модели, а не в формулировке — иногда дешевле взять модель классом выше. Методика — в гайде выбор модели для задачи.

Частые вопросы

Роль в системном промпте реально влияет на ответ?

Да, заметно. Роль задаёт стиль, глубину и словарь. «Ты налоговый консультант» и «объясни как другу» на один и тот же вопрос дадут разный по тону и детализации ответ. Это самый дешёвый способ подстроить модель под задачу.

Сколько примеров нужно для few-shot?

Обычно 2–5. Меньше — модель может не уловить формат, больше — растёт стоимость входных токенов без пропорционального выигрыша. Важнее качество примеров: включайте краевые случаи, а не однотипные.

Промпт, отлаженный на одной модели, работает на другой?

Как правило да, но не идентично: у моделей разная чувствительность к формулировкам. При смене модели прогоните промпт на своих тестовых входах. Через единый API это делается сменой одного параметра model.

Проверьте промпты на любой модели каталога

Начать бесплатно