Промпт-инжиниринг: как говорить с ИИ, чтобы он работал

Большинство людей разговаривают с языковой моделью так же, как с поисковиком. Вбросили три слова, получили что-то невнятное, решили, что ИИ не работает. Нет. Просто вы не умеете ставить задачу.

Промпт-инжиниринг - это дисциплина про то, как формулировать инструкцию для большой языковой модели, чтобы на выходе получать то, что нужно, а не то, что модель сочла уместным. Никакой мистики. Это ровно то же самое, что хорошее техническое задание для подрядчика. Только подрядчик здесь не спит, не обижается и отвечает за секунды.

Я видел, как команды тратили часы на переделку текстов, которые ИИ сгенерировал «не так». Спрашиваю: а что было в промпте? «Ну, напиши статью про продукт». Вот и весь разговор. Это не промпт, это крик в пустоту.

Почему модель отвечает плохо

Языковая модель не читает мысли. Она работает с тем, что вы ей дали: с контекстом, с примерами, с указанием формата. Чем беднее вводная, тем больше модель додумывает сама. А додумывает она по статистике своих обучающих данных, а не по логике вашего бизнеса.

Самая частая ошибка - общие инструкции без контекста. «Сделай хорошо» - это не инструкция. Хорошо для кого? В каком формате? С каким тоном? Для какой аудитории? Модель заполнит эти пробелы сама, и заполнит их усреднённо. Усреднённо - значит никак.

Вторая ошибка - слишком длинный промпт, куда свалено всё подряд. Модели имеют контекстное окно, и когда вы пишете простыню на три экрана, часть требований просто теряется. Я сам на это напарывался: пишешь подробно, а модель игнорирует половину условий из середины. Потому что «забыла». Не в метафорическом смысле, буквально.

Как это работает на практике

Есть несколько техник, которые реально меняют результат.

Самая простая - давать примеры. Называется few-shot prompting. Вместо того чтобы объяснять словами, что вы хотите, вы показываете: вот вход, вот желаемый выход, вот ещё один, вот ещё. Модель схватывает паттерн и воспроизводит его. Это работает лучше любых длинных описаний. Объяснять на пальцах или показать три примера - всегда выигрывает второе.

Для сложных задач, где нужна логика, есть Chain-of-Thought. Вы просите модель не просто дать ответ, а рассуждать вслух, шаг за шагом. Добавляете в промпт что-то вроде «объясни своё рассуждение перед ответом» - и качество резко растёт. Особенно там, где задача многоступенчатая: финансовый анализ, юридическая интерпретация, сложный план. Модель, которая думает вслух, делает меньше глупостей. Это звучит странно, но работает именно так.

Есть ещё Tree-of-Thought - расширение той же идеи, когда модель исследует несколько путей рассуждения параллельно и выбирает лучший. Это уже ближе к системной разработке, не к ежедневному использованию. Но знать полезно.

Что реально нужно в работе

Для большинства рабочих задач хватает четырёх вещей в промпте: роль (кто ты), контекст (что происходит), задача (что сделать), формат (как выдать результат). Всё. Не нужно писать роман. Нужно быть точным.

Пример из моей практики. Нужно было суммаризировать длинный документ по встрече. Плохой промпт: «Сделай краткое содержание». Хороший: «Ты ассистент руководителя. Вот транскрипт встречи. Выдели три главных решения, ответственных и дедлайны. Формат: маркированный список, не больше пяти строк на пункт». Разница в результате - как между черновиком и готовым документом.

Итеративность - это не слабость, это метод. Написал промпт, запустил, посмотрел, что не так, поправил. Промпт - это не заклинание, которое нужно угадать с первого раза. Это рабочий инструмент, который доводится до ума.

Про галлюцинации - честно

Языковые модели врут. Не со злым умыслом, просто генерируют правдоподобное, а не правдивое. Промпт-инжиниринг помогает снизить этот риск: если вы даёте модели конкретный источник и просите работать только с ним, вероятность выдумки падает. Но не до нуля.

Именно здесь я вижу принципиальное ограничение универсальных ИИ-инструментов в рабочем контексте. Когда модель отвечает из общего обучения, вы никогда не знаете, откуда взялся факт. В ENGRAM я строил логику иначе: система отвечает из ваших собственных данных и всегда даёт ссылку на источник. Не потому что это красиво, а потому что иначе это не инструмент для работы, а генератор правдоподобного шума.

Промпт-инжиниринг - это навык, а не магия. Освоить базу можно за день. Довести до автоматизма - за месяц практики. Главное понять одно: модель работает ровно настолько хорошо, насколько точно вы поставили задачу. Мусор на входе - мусор на выходе. Это не про ИИ. Это про любую работу.