Промптом (от английского prompt, подсказка) называют текст, который человек передаёт языковой модели: вопрос, задание, инструкцию, пример или данные для обработки. Кроме общих знаний из обучения, о задаче модель знает только то, что написано в промпте и в предыдущих сообщениях разговора. Поэтому от промпта зависит, получится ли ответ полезным с первого раза или понадобится несколько уточнений.
Различают пользовательский промпт, то есть сообщение в чате, и системный: постоянные инструкции, которые модель получает до начала разговора. Системный промпт задают разработчики сервиса или сам пользователь в настройках проекта, ассистента или агента. В инструментах для разработки ту же роль играют файлы с правилами, например CLAUDE.md у Claude Code.
Хороший промпт описывает задачу так, как её описали бы новому сотруднику, толковому, но ничего не знающему о компании. В нём есть сама задача и цель: что нужно сделать и зачем. Есть контекст: для кого результат, какие документы и данные учитывать, что уже сделано. Есть формат: таблица, письмо или код, длина, язык. Есть ограничения: чего делать нельзя и что считать ошибкой. Если нужен определённый стиль, помогает пример готового результата.
Длина промпта сама по себе мало что значит. Короткий запрос хорош, когда задача простая и общепринятая. Чем сильнее результат зависит от правил компании, тем больше этих правил должно попасть в промпт.
Разовая задача решается разовым промптом. Если та же задача повторяется каждую неделю, промпт сохраняют как шаблон или постоянную инструкцию проекта. Так его не набирают заново, и результат не зависит от того, кто сегодня пишет запрос.
Когда задача большая, растягивается на несколько сессий или результат должен проверяться по правилам, одного промпта становится мало. Правила, границы и условия проверки выносят в спецификацию. Модель читает её в начале каждой сессии, люди по ней принимают работу, а промпт в такой работе ставит текущий шаг.
Промпт не добавляет модели знаний, которых нет ни в нём, ни в её обучении. Если ответ должен опираться на документы компании, их передают модели целиком или подключают поиск по ним (RAG). Без этого модель заполнит пробел правдоподобным текстом, и получится галлюцинация.
Объём текста, который модель держит одновременно, ограничен контекстным окном. В длинном разговоре инструкции из начала теряют вес, и модель понемногу отступает от них. Повторять их в каждом сообщении менее надёжно, чем держать в системном промпте или в файле правил.
У переформулировок тоже есть предел. Если третья версия запроса даёт тот же неверный результат, причина обычно в недостающих данных или в нечётко поставленной задаче.
Со специалистом по подбору персонала мы собирали сверку резюме с критериями роли. Когда ИИ ошибался, первым желанием было переписать запрос. Надёжнее оказалось уточнять критерий одной строкой в файле, по которому идёт сверка. Запрос оставался прежним, файл с каждой правкой становился точнее, и исправление работало для всех следующих резюме. Подробнее в описании кейса.
С владелицей кафе мы собрали форму заявок в HTML, которую потом встраивают в сайт на WordPress. Хватило одного-двух промптов: задача небольшая и самостоятельная, требования к форме были понятны заранее. Доводка понадобилась только в оформлении, форма немного разошлась по вёрстке с сайтом. Чем точнее результат должен совпасть с тем, что уже существует, тем больше этого существующего стоит показать модели.
Какие задачи повторяются и заслуживают сохранённого шаблона. Где хранятся шаблоны и инструкции и кто обновляет их, когда меняются правила. Какие данные можно передавать модели, а какие нет. И по каким признакам проверяется результат, чтобы оценка не зависела от того, кто проверяет: из этих признаков складываются критерии приёмки.
Связанные термины: Спецификация для ИИ · Контекстное окно · Галлюцинация · ИИ-агент
Хотите научиться ставить задачи ИИ на своей работе? Обучение на задачах →