Сверхпродуктивность с искусственым интеллектом: От первого промпта до собственной системы агентов

До систематического использования ИИ у Анны существовали Word-шаблоны для разных типов материалов — контурный план модуля, карточка задания, методическая записка. Шаблоны экономили время на структуру, но содержание приходилось писать с нуля каждый раз. Средняя скорость: один полноценный учебный модуль (объяснение + задания + методкомментарии) — около 4 часов.

Первые два месяца Анна использовала ИИ хаотично: задавала разовые вопросы, получала неровные результаты и была скептична. Перелом произошёл, когда она потратила один день на то, чтобы создать не случайные промпты, а систему: библиотеку из 12 шаблонных промптов для каждого типа задач её работы.

Пример одного шаблона — для создания объяснения сложного правила русского языка:

Ты — методист с опытом работы с учениками 10–11 классов,

готовящимися к ЕГЭ по русскому языку. Пиши как человек,

которому важно, чтобы ученик понял — не зазубрил.

Задача: объясни правило «[ВСТАВИТЬ ПРАВИЛО]».

Формат:

1. Формулировка правила (1–2 предложения, без канцелярита)

2. Почему ученики ошибаются (самая частая ловушка — 1 абзац)

3. Алгоритм применения (нумерованный список, 3–5 шагов)

4. Два разобранных примера (с объяснением каждого шага)

5. Задание для самопроверки (1 предложение с пропуском)

Ограничения: без академического языка, без ссылок

на учебники. Обращение к ученику — на «ты»,

дружески, без снисхождения.

Результат через три месяца: время на создание одного модуля сократилось с 4 часов до 1,5–2 часов. Не за счёт снижения качества — Анна всегда редактирует и дополняет ИИ-черновики — а за счёт того, что первый черновик теперь уже имеет правильную структуру, тон и уровень детализации. Редактирование готового черновика занимает 30–40 минут против написания с нуля за 3 часа.

Дополнительный эффект: система промптов стала внутренним стандартом для двух новых методистов, которых Анна обучала. Вместо того чтобы объяснять стандарты качества словами, она передала библиотеку промптов — и новые сотрудники быстрее вышли на нужный уровень, потому что «правильный формат» был зашит в инструкцию.

Честное ограничение: промпт-система не работает для нестандартных задач. Когда школа запускала новый формат курса — с интерактивными сценариями вместо объяснений — существующие шаблоны не подходили, и Анне пришлось разрабатывать новые промпты с нуля, что заняло около 3 часов на первый рабочий шаблон. Это разовые инвестиции, которые затем окупаются на каждом следующем материале того же типа.

Ключевой вывод кейса

Ценность промпта пропорциональна частоте использования задачи. Разовая задача не требует идеального промпта. Повторяющаяся задача требует шаблона — один раз хорошо написанного и проверенного промпта, который потом используется без существенных изменений. Инвестиция в шаблон окупается уже на третьем-четвёртом использовании.

Контрольные вопросы к Главе 3

1. (Понимание) В чём принципиальная разница между ролевой инструкцией «Ты — эксперт» и «Ты — налоговый консультант с опытом работы с ИП и малым бизнесом в России»? Почему второй вариант лучше с точки зрения механики работы языковой модели?

2. (Применение) Вам нужно написать промпт для следующей задачи: составить план выступления на внутренней конференции вашей организации на 15 минут по теме, в которой вы специализируетесь. Напишите промпт, используя структуру КЗФО, с явным указанием всех четырёх компонентов. После написания: укажи, какие компоненты было сложнее всего сформулировать и почему.

3. (Анализ) Пользователь получил ответ ИИ, который его не устроил, и написал следующую инструкцию: «Перепиши, сделай лучше и профессиональнее». Какие конкретные проблемы с этой инструкцией? Переформулируйте её так, чтобы она могла дать ощутимый прирост качества.

4. (Применение) Вы ведёте итеративный диалог уже 18 итераций по сложному аналитическому проекту. В последних трёх ответах модель начала противоречить параметрам, которые вы установили в начале разговора. Какие два варианта действий у вас есть? Опишите плюсы и минусы каждого.

5. (Оценка) Методист из кейса этой главы создала систему из 12 шаблонных промптов. Предложите два сценария, при которых такой подход (фиксированные шаблоны) может навредить, а не помочь, — и как скорректировать практику для каждого из этих сценариев.

→ К Главе 4: Продвинутый промпт-инжиниринг

Базовая структура КЗФО работает для большинства стандартных задач. Глава 4 разбирает ситуации, когда стандартного промпта недостаточно: сложные многошаговые рассуждения, обучение модели на примерах внутри промпта, системные промпты для регулярных задач и работа с длинным контекстом от 100 000 токенов и выше.

Глава 4. Продвинутый промпт-инжиниринг

Часть II · Язык взаимодействия: промпт-инжиниринг

Учебные результаты: применить CoT, few-shot и мета-промптинг; сформировать структурированный вывод в JSON; создать систему промптов для регулярных задач; работать с длинным контекстом.

Структура КЗФО из предыдущей главы решает большинство стандартных задач. Продвинутые техники нужны там, где стандартный промпт упирается в потолок: сложные многошаговые рассуждения, задачи с неоднозначными критериями качества, повторяющиеся рабочие процессы, требующие консистентности, и работа с документами, которые не помещаются ни в одну страницу. Эта глава — набор инструментов для именно таких случаев.

Важная оговорка перед началом: продвинутые техники не заменяют базовую точность промпта. Chain-of-Thought не исправит расплывчато сформулированную задачу. Системный промпт не компенсирует отсутствие контекста. Сначала — база, затем — надстройка.

4.1 Техники управления рассуждением

Языковые модели решают многошаговые задачи значительно лучше, когда рассуждают явно, а не «в уме». Это не метафора: эксперименты показывают, что модель, явно записывающая промежуточные шаги, решает одну и ту же математическую или логическую задачу существенно точнее, чем та же модель, выдающая ответ сразу. Техники управления рассуждением — это способы активировать этот режим через промпт.

4.1.1 Chain-of-Thought: «думай шаг за шагом»

Пошаговое рассуждение (chain-of-thought, CoT) — самая простая и одновременно одна из наиболее эффективных продвинутых техник. Суть: добавить в промпт инструкцию, которая заставляет модель явно записать промежуточные шаги рассуждения, прежде чем дать финальный ответ. Классическая формулировка — «Думай шаг за шагом» — работает для многих задач. Но специфичная инструкция работает лучше.

Как выглядит CoT на практике. Без CoT: «Какую систему автоматизации выбрать для нашего отдела?» — модель выдаёт итоговую рекомендацию. С CoT: «Сначала перечисли критерии выбора системы автоматизации для отдела (5–7 критериев). Затем оцени каждый из них по шкале важности для нашей ситуации [контекст]. Затем на основе этой оценки сформулируй рекомендацию с обоснованием». Второй вариант не просто формирует более обоснованный ответ — он позволяет вам увидеть логику и скорректировать её, если вы не согласны с каким-то критерием или оценкой.

CoT наиболее ценен для задач трёх типов: многофакторные решения (выбор между вариантами с несколькими критериями), задачи с расчётами (где нужно проследить цепочку вычислений), анализ с последовательными выводами (где каждый следующий вывод опирается на предыдущий). Для задач с однозначным ответом или простой генерации текста CoT добавляет лишний объём без прироста качества.

Пример CoT для управленческого решения

Задача: «Стоит ли переносить еженедельную командную встречу с пятницы на понедельник?»

Промпт с CoT: «Прежде чем дать рекомендацию, выполни следующие шаги:

Шаг 1: Перечисли аргументы в пользу пятницы (итоги недели, фокус на завершении).

Шаг 2: Перечисли аргументы в пользу понедельника (планирование, настрой на неделю).

Шаг 3: Оцени, для какого типа задач и команды каждый вариант предпочтителен.

Шаг 4: Учитывая, что команда работает в режиме проектной работы с еженедельными дедлайнами, сформулируй рекомендацию.»

Результат: обоснованная рекомендация с явной логикой, которую можно оспорить или принять на конкретном шаге.

4.1.2 Tree-of-Thought: несколько параллельных линий рассуждения

Дерево мыслей (tree-of-thought, ToT) — расширение CoT для задач, где существуют принципиально разные подходы к решению и нельзя заранее знать, какой окажется более продуктивным. Вместо одной линии рассуждения модель строит несколько параллельных и затем оценивает их сравнительно.

На практике ToT реализуется через промпт такого рода: «Рассмотри три принципиально разных подхода к решению следующей задачи. Для каждого подхода: опиши его суть (2–3 предложения), назови главное преимущество и главный риск. Затем сравни три подхода и выбери наиболее перспективный для нашей ситуации с обоснованием».

ToT имеет смысл в ситуациях стратегических развилок — где выбор между альтернативами неочевиден и цена ошибки высока. Для операционных задач ToT избыточен и создаёт лишний объём. Практический ориентир: если задача сводится к «как лучше сделать X», достаточно CoT. Если задача — «что делать: X, Y или Z», ToT оправдан.

4.1.3 Self-Consistency: попросить ИИ проверить самого себя

Самосогласованность (self-consistency) — техника, при которой вы просите модель решить одну задачу несколькими независимыми путями, а затем проверить, совпадают ли ответы. Исходная идея из области математики и логики: если разные пути рассуждения приводят к одному ответу — он, скорее всего, верен. Если ответы расходятся — нужен дополнительный анализ.

Простая реализация: запустите один и тот же промпт три раза с разными «точками входа» в рассуждение («Подойди к этому вопросу как экономист», «Подойди к этому вопросу как операционный директор», «Подойди к этому вопросу как человек, защищающий противоположную позицию»). Если все три ответа указывают на одно и то же решение — уровень доверия к нему выше. Если расходятся — зоны расхождения требуют дополнительного анализа или проверки.

Для пользователей без API-доступа self-consistency реализуется вручную — через несколько итераций с разными ролевыми инструкциями. Это занимает больше времени, но для критически важных решений (выбор стратегии, оценка риска, анализ перед крупной инвестицией) оправдано.

4.1.4 ReAct-паттерн: рассуждение + действие

ReAct (reasoning + acting) — паттерн, изначально разработанный для агентных систем (Глава 12), но применимый и в обычных диалогах. Суть: модель явно чередует рассуждение («Что я знаю? Что мне нужно выяснить?») и действие («Задать уточняющий вопрос / проверить допущение / выполнить подзадачу»).

Для нетехнического пользователя ReAct наиболее ценен при решении задач с неполной информацией. Промпт: «Перед тем как давать рекомендации, определи: какую информацию о ситуации тебе нужно уточнить, чтобы ответ был полезным. Задай мне 3–5 уточняющих вопроса. После получения ответов — сформулируй рекомендацию». Такой подход превращает монологичный запрос в структурированный диалог, где модель активно участвует в сборе контекста.

Техника

Chain-of-Thought (CoT)

Когда применять

Многофакторные решения, расчёты, последовательный анализ

Когда не нужна

Простые задачи с однозначным ответом — добавит объём без пользы

Техника

Tree-of-Thought (ToT)

Когда применять

Стратегические развилки с принципиально разными подходами

Когда не нужна

Операционные задачи типа «как сделать X лучше»

Техника

Self-Consistency

Когда применять

Критически важные решения с высокой ценой ошибки

Когда не нужна

Задачи с быстрым дедлайном — три параллельных анализа занимают время

Техника

ReAct

Когда применять

Задачи с неполной исходной информацией

Когда не нужна

Задачи, где весь контекст уже дан в промпте

Практикум 4.Б: Chain-of-Thought — решение сложной профессиональной задачи через пошаговое рассуждение

Задача: применить CoT к реальной многофакторной задаче из своей практики и сравнить с результатом без CoT.

Шаг 1 — Выберите задачу, требующую взвешенного суждения. Примеры: «Стоит ли нам сменить подрядчика по [направлению]?», «Как приоритизировать три конкурирующих проекта?», «Какую модель ценообразования выбрать для нового продукта?». Задача должна иметь несколько факторов и неочевидный ответ.

Шаг 2 — Сначала запустите «наивный» промпт: задайте вопрос без CoT-инструкции. Зафиксируйте ответ.

Шаг 3 — Теперь напишите CoT-промпт для той же задачи. Структура CoT:

• Шаг 1: Перечисли факторы, которые нужно учесть при принятии решения (5–8 факторов).

• Шаг 2: Для каждого фактора оцени его значимость в нашей ситуации [контекст] по шкале высокая/средняя/низкая с обоснованием.

• Шаг 3: Определи, какие факторы указывают в пользу решения А, какие — в пользу решения Б.

• Шаг 4: Сформулируй итоговую рекомендацию с обоснованием.

Шаг 4 — Запустите CoT-промпт. Зафиксируйте ответ.

Шаг 5 — Сравните два ответа по трём критериям: глубина анализа, наличие аргументов, которые вы не учли самостоятельно, практическая применимость рекомендации.

Ожидаемый результат: два ответа (наивный + CoT) + письменное сравнение по трём критериям + оценка: изменила ли CoT ваш взгляд на задачу?

На что обратить внимание: CoT не всегда даёт другой итоговый ответ, но почти всегда даёт более богатую аргументацию. Ценность нередко не в финальной рекомендации, а в перечне факторов и их весов — именно здесь обнаруживаются пробелы в собственном анализе.

4.2 Few-shot и zero-shot промптинг

Языковые модели могут обучаться на примерах прямо внутри промпта — без какого-либо переобучения или изменения весов модели. Это называется few-shot обучением, и оно работает немедленно. Понимание механики помогает решить вопрос: когда примеры нужны, а когда лишние?

4.2.1 Zero-shot: без примеров

Zero-shot — это стандартный режим работы с моделью: промпт описывает задачу, и модель выполняет её без демонстрационных примеров. Это работает хорошо для задач, которые хорошо представлены в обучающих данных: написание деловых писем, анализ аргументации, структурирование текста. Модель «знает», как выглядит качественный результат для таких задач.

Zero-shot перестаёт работать хорошо, когда задача имеет нестандартный формат вывода, специфическую структуру или корпоративные соглашения, отличные от общепринятых. Именно тогда примеры становятся незаменимыми.

4.2.2 One-shot и Few-shot: обучение на примерах внутри промпта

One-shot — один пример в промпте. Few-shot — несколько (обычно 2–5). Механика: вы показываете модели, как выглядит входные данные и как выглядит правильный вывод — и затем даёте новые входные данные для обработки. Модель экстраполирует паттерн из примеров на новую задачу.

Структура few-shot промпта: сначала инструкция (что нужно делать), затем пример или примеры в формате «Вход: [X] → Выход: [Y]», затем финальная задача «Вход: [новый X] → Выход:». Модель продолжает паттерн.

Задача: классифицировать отзывы клиентов по категориям.

Категории: Доставка / Качество товара / Обслуживание / Цена / Прочее

Примеры:

Отзыв: «Заказ пришёл через 2 дня вместо обещанных 5, очень доволен»

Категория: Доставка

Отзыв: «Ткань оказалась тоньше, чем на фото, разочарован»

Категория: Качество товара

Отзыв: «Менеджер не перезвонил, хотя обещал»

Категория: Обслуживание

Теперь классифицируй следующие отзывы:

Отзыв: «За эти деньги ожидал большего»

Категория:

Этот промпт чётко обучает модель нужному формату и набору категорий. Без примеров модель могла бы выдать категории в другом формате, использовать другие названия или добавить лишние рассуждения.

4.2.3 Как подбирать и форматировать примеры

Три правила качественных примеров для few-shot промпта. Первое — примеры должны быть репрезентативными: охватывать разные паттерны из ожидаемого входного пространства, а не только типичные случаи. Если вы классифицируете отзывы, среди примеров должны быть как однозначные, так и граничные случаи. Второе — примеры должны быть согласованными: если в примере 1 вы показали вывод в одном формате, в примере 2 должен быть тот же формат. Любое несоответствие путает модель. Третье — порядок примеров имеет значение: последний пример перед финальной задачей оказывает наибольшее влияние на стиль ответа.

По количеству примеров: 2–3 примера обычно достаточно для формата вывода. 4–6 примеров нужны, когда задача имеет несколько принципиально разных классов или когда граничные случаи критически важны. Больше 6–8 примеров редко улучшают результат и лишь увеличивают длину промпта.

Важно: примеры задают паттерн, а не правила

Few-shot промпт — это обучение на паттерне, а не формальное задание правил. Если ваши примеры нечаянно демонстрируют нежелательный паттерн (например, все позитивные примеры — короткие, все негативные — длинные), модель выучит этот паттерн как часть задачи. Перечитайте примеры глазами внешнего наблюдателя: какой неявный паттерн они демонстрируют помимо явного?

4.2.4 Когда примеры вредят, а не помогают

Few-shot промпт может снизить качество в двух случаях. Первый: когда модель «залипает» на формате примеров в ущерб содержанию. Если ваши примеры — короткие ответы, а вам нужен развёрнутый анализ, модель будет тяготеть к краткости, даже если явная инструкция требует иного. Решение: добавьте явную инструкцию по объёму, которая перебивает паттерн примеров.

Второй случай: когда примеры содержат нежелательные паттерны по умолчанию. Например, если все ваши примеры деловых писем — с формальным обращением «Уважаемый господин», модель воспроизведёт это обращение для задачи, где оно неуместно. Zero-shot с явной инструкцией по тону сработает лучше.

4.3 Системные промпты и настройка поведения модели

Системный промпт (system prompt) — это инструкция, которая задаётся один раз и действует на всё поведение модели в рамках сессии или настроенного ассистента. Это не просто «первое сообщение в диалоге» — это технически отдельный уровень инструкций, которому модель придаёт более высокий приоритет, чем сообщениям пользователя. Понимание этого механизма открывает принципиально иной класс применений.

4.3.1 Что такое системный промпт и где он используется

В большинстве пользовательских интерфейсов системный промпт недоступен напрямую. Он используется самой платформой: именно системный промпт определяет «характер» и «правила» конкретного ИИ-продукта. Для конечного пользователя системный промпт становится доступен при: работе через API, использовании платформ для построения ИИ-ассистентов (Botpress, Flowise, Langchain и другие), создании «настроенных ИИ-инструментов» внутри некоторых корпоративных продуктов.

Если платформа не даёт доступа к системному промпту, его функцию можно частично воспроизвести через «инструкционный блок» в начале каждого диалога — раздел с постоянными параметрами, который вы вставляете в первое сообщение. Это менее элегантно, но работает для большинства задач.

4.3.2 Создание «персонажа» для регулярных задач

Системный промпт позволяет создать специализированного ассистента под конкретную повторяющуюся задачу — с фиксированным именем, ролью, стилем общения, ограничениями и знанием контекста. Один раз настроенный «персонаж» избавляет от необходимости повторять контекст в каждом диалоге.

Хороший системный промпт включает четыре блока. Первый — роль и специализация: кто этот ассистент, что он умеет лучше всего, какова его область знаний. Второй — контекст применения: для какой организации, проекта, задачи он работает. Третий — стиль и формат ответов: тон, уровень детализации, типичные форматы вывода. Четвёртый — явные ограничения: что ассистент не делает, каких тем избегает, на что запрашивает разрешение.

Ты — внутренний редактор корпоративных коммуникаций компании «Альфа-Ресурс».

Твоя задача — улучшать деловые тексты: письма, отчёты, презентационные материалы.

Правила работы:

• Сохраняй смысл оригинала — не добавляй новых тезисов.

• Убирай канцеляризмы: «в целях», «в соответствии с», «осуществлять».

• Сокращай без потери смысла: каждое предложение — не длиннее 20 слов.

• Тон — деловой, но живой. Не официозный, не разговорный.

• После каждой правки кратко поясни, что изменил и почему.

Запрещено: добавлять фактические утверждения, которых нет в оригинале.

Этот системный промпт превращает любую языковую модель в специализированный редакторский инструмент. Пользователь просто вставляет текст — и получает отредактированную версию с пояснениями, без необходимости каждый раз объяснять правила.

4.3.3 Корпоративные и профессиональные шаблоны

Системный промпт — главный инструмент стандартизации ИИ-работы внутри команды или организации. Если несколько человек работают с одним типом задач (анализ договоров, подготовка отчётов, ответы клиентам), единый системный промпт обеспечивает консистентность стиля и качества вне зависимости от того, кто именно запускает модель.

Практика лучших корпоративных внедрений: организация создаёт библиотеку из 5–15 системных промптов для наиболее распространённых рабочих сценариев, каждый — протестированный и утверждённый. Это не «запрет использовать ИИ по-своему» — это снижение барьера входа для новых сотрудников и гарантия минимального качества для критических задач.

Пример: корпоративный шаблон для анализа договоров

Системный промпт для юридического отдела: «Ты — ассистент по анализу договоров. Работаешь исключительно с текстом, который предоставляет пользователь. Никаких домыслов о сторонах или ситуации.

Для каждого договора:

1. Перечисли стороны и предмет договора.

2. Выдели нестандартные условия (отклонения от типовой практики).

3. Укажи условия с повышенным риском для [сторона — вставить]. 4. Перечисли отсутствующие стандартные положения.

Формат: структурированный список. Тон: нейтральный, без юридических заключений — только наблюдения. Напоминание в конце каждого анализа: результат требует проверки практикующим юристом.»

4.4 Мета-промптинг

Мета-промптинг — это использование ИИ для создания и улучшения промптов для ИИ. На первый взгляд это выглядит как рекурсия ради рекурсии, но практическая ценность конкретна: когда вы не знаете, как точно сформулировать задачу, или когда хотите систематизировать наработанный опыт в переиспользуемые шаблоны.

4.4.1 Попросить ИИ написать промпт для ИИ

Сценарий: у вас есть задача, которую сложно описать точно. Вместо того чтобы мучиться с формулировкой, опишите её неточно и попросите модель предложить промпт. Запрос: «Мне нужно регулярно [описание задачи]. Я хочу создать шаблонный промпт для этой задачи. Помоги мне его сформулировать: задай уточняющие вопросы о задаче, а затем напиши промпт с использованием структуры КЗФО».

Двухэтапный процесс работает лучше однозначного запроса «напиши мне промпт для X». На первом этапе модель задаёт уточняющие вопросы — кто пользователь, что за выход ожидается, какие ограничения важны. На втором этапе, получив ответы, формулирует промпт. Ваша роль — ответить на вопросы честно и точно, затем протестировать получившийся промпт на реальной задаче.

4.4.2 Автоматическое улучшение промптов

Если у вас есть рабочий промпт, который даёт неплохие, но не отличные результаты, — попросите модель его улучшить. Схема: «Вот промпт, который я использую: [ПРОМПТ]. Вот что в его результатах мне не нравится: [КРИТИКА]. Предложи три варианта улучшения промпта, каждый с объяснением, что именно ты изменил и почему это должно устранить проблему».

Три варианта, а не один, полезны по той же причине, что и ToT: разные подходы к улучшению могут решать проблему по-разному, и вам как пользователю виднее, какой из вариантов адекватен вашему контексту. После выбора варианта — тестируйте на 3–5 реальных задачах, прежде чем принять как стандарт.