Kitabı oxu: «Промтинг: от новичка до мастера. Практическое руководство с упражнениями»

Практическое руководство с упражнениями для отработки навыков

Иван Шевцов

Вступление

Эта книга работает иначе

В настоящее время искусственный интеллект перестал быть технологией завтрашнего дня. Он уже здесь: в почтовых клиентах предлагает закончить предложение, в мессенджерах резюмирует голосовые сообщения, в поисковиках формирует ответы до того, как вы нажмёте Enter. Мы привыкли к тому, что алгоритмы подсказывают, советуют, а иногда и принимают решения за нас. Но одно дело — пассивно пользоваться встроенными функциями, и совсем другое — осознанно управлять этим инструментом.

Я пришёл в промтинг из смежной области — работал с данными, строил отчёты, автоматизировал рутинные процессы. Когда языковые модели только набирали популярность, я смотрел на них с профессиональным скепсисом. Первые же попытки получить что-то осмысленное напоминали диалог с очень начитанным, но крайне рассеянным собеседником. Он мог выдать блестящий анализ одной фразой и тут же предложить откровенную чушь с таким же уверенным видом. Многие мои коллеги тогда махнули рукой: «Игрушка, не более». А я решил разобраться.

Спустя несколько лет плотной работы могу сказать: проблема была не в моделях. Проблема была в том, как мы к ним обращались. Мы ожидали от ИИ человеческого понимания, а получали вероятностный прогноз. Мы давали размытые инструкции и удивлялись размытому результату. Мы воспринимали нейросеть как оракула, хотя она — всего лишь очень продвинутый калькулятор для работы с языком.

Эта книга выросла из практики. Из сотен часов экспериментов с разными моделями, из успешных кейсов и громких провалов, из необходимости объяснять коллегам и клиентам, почему «просто спросить» недостаточно. Я написал её для тех, кто хочет перейти от пассивного потребления к осознанному управлению. Для тех, кто понимает, что навык точной постановки задачи для ИИ в ближайшие годы станет таким же базовым, как умение искать информацию в интернете.

Мы пройдём путь от фундаментальных принципов до техник, которые используют профессиональные промт-инженеры. Я не буду перегружать вас математикой — для этого есть специализированная литература. Но я дам вам работающую ментальную модель: понимание того, что происходит «под капотом», без которого любые шаблоны и лайфхаки работают через раз.

Отдельный акцент — на практическую применимость. В конце книги вас ждёт структурированный практикум с заданиями трёх уровней сложности. Это не тесты на запоминание, а реальные упражнения, которые помогут наработать мышечную память промтинга. Вы сможете пройти их в своём темпе и увидеть собственный прогресс.

Я не обещаю, что после прочтения вы станете гуру за одну ночь. Но я гарантирую: вы перестанете гадать, «почему он меня не понимает», и начнёте получать именно те результаты, на которые рассчитывали. А это, согласитесь, уже немало.

Глава 1. Внутренняя кухня искусственного интеллекта

Алгоритм, который притворяется мыслителем

Когда я спрашиваю у людей, далёких от технологий, что они представляют при словах «искусственный интеллект», ответы обычно делятся на две группы. Одни рисуют в воображении что-то из научной фантастики: разумный компьютер, который ведёт с капитаном философские беседы, прежде чем отказаться открывать шлюз. Другие — услужливого робота-ассистента, который знает ответ на любой вопрос и никогда не ошибается. Обе картинки эффектны, но к реальности имеют слабое отношение.

Современные языковые модели — это не мыслящие сущности. У них нет самосознания, нет эмоций, нет убеждений. Это сложные математические функции, обученные на гигантских массивах текста предсказывать наиболее вероятное продолжение последовательности слов. Звучит сухо, но именно эта сухость и важна для правильного взаимодействия.

Позвольте предложить другую аналогию. Представьте, что перед вами бесконечная картотека, в которой записаны миллиарды обрывков фраз, предложений, абзацев. Когда вы задаёте вопрос, система не «размышляет» над ответом. Она молниеносно перебирает карточки, ищет похожие сочетания слов и конструирует ответ, склеивая наиболее вероятные кусочки. Иногда результат получается настолько связным, что мы невольно начинаем приписывать машине разум. Это когнитивная ловушка: наш мозг привык, что осмысленная речь исходит от осмысляющего субъекта. С ИИ этот трюк не работает.

Как машина угадывает следующее слово

Ключевой механизм, который стоит понять с самого начала, — это принцип продолжения последовательности. Когда вы набираете сообщение в смартфоне, клавиатура предлагает варианты следующего слова, опираясь на частоту ваших предыдущих фраз. Языковая модель делает нечто похожее, но в неизмеримо большем масштабе.

Она анализирует не одно-два последних слова, а весь контекст, который вы ей передали. Затем, опираясь на гигантский массив текстов, усвоенных во время обучения, вычисляет, какое слово с наибольшей вероятностью должно появиться следующим. Написав его, она повторяет расчёт уже для нового состояния текста — и так до тех пор, пока не сформирует законченный ответ.

Это объясняет многие особенности поведения нейросетей. Почему на один и тот же вопрос она может ответить по-разному? Потому что в механизме выбора следующего слова заложен элемент случайности — иначе ответы были бы идентичны при каждом запуске, как у обычной программы. Почему она иногда уходит в неожиданные рассуждения? Потому что вероятностная цепочка может свернуть в сторону, и без корректирующего запроса модель сама не вернётся к теме.

Почему нейросеть не врёт, а фантазирует

Теперь о явлении, с которым сталкивается каждый, кто работает с ИИ достаточно долго. Вы просите составить список литературы по узкой теме, и модель выдаёт перечень из пяти пунктов: авторы, названия, годы издания. Всё выглядит достоверно. Вы идёте проверять — и не находите ни одной из этих книг в природе.

Это называют галлюцинациями, и важно понимать их природу. Модель не «врёт» в том смысле, в каком врёт человек, желающий ввести в заблуждение. У неё нет намерения. Просто в процессе обучения она усвоила структурный шаблон: запрос на библиографию должен сопровождаться ответом в формате «Фамилия, инициалы. Название. Издательство, год». Когда реальных данных под рукой нет, она не говорит «я не знаю» — этому её не учили. Она заполняет шаблон правдоподобными данными, сгенерированными по тем же вероятностным законам. Фамилия звучит по-английски, название содержит ключевые слова из запроса, год похож на реальный. Обман раскрывается только при проверке.

За годы работы я выработал простое правило: любую информацию, для которой важна фактическая точность, необходимо верифицировать. Модель — отличный генератор гипотез, черновиков, идей. Но она не справочник и не база данных. Перекладывать на неё ответственность за достоверность — верный способ получить проблемы.

Главные заблуждения об ИИ, с которыми я сталкиваюсь

Заблуждение первое: «Она знает всё»

Объём данных, на которых обучают современные модели, колоссален. Но это не означает, что модель «знает» всё в том смысле, в каком знает эксперт. Она не структурирует информацию по достоверности, не отделяет факты от мнений, не оценивает источники. Она запоминает статистические закономерности. Поэтому в популярных темах она даёт неплохие ответы, а в узких, специальных — начинает «плавать», заполняя пробелы галлюцинациями.

Заблуждение второе: «Уверенный тон — признак правоты»

Это, пожалуй, самая коварная ловушка. Современные модели научились формулировать ответы с такой стилистической убедительностью, что даже опытные пользователи иногда принимают выдумку за чистую монету. Помните: для модели нет разницы между «я точно знаю» и «я придумал на ходу». Тональность ответа — всего лишь результат обучения на текстах, написанных уверенными людьми. Она не коррелирует с истинностью.

Заблуждение третье: «Платная подписка решает все проблемы»

Более мощные модели действительно лучше справляются со сложными задачами, дольше удерживают контекст и реже уходят в откровенную бессмыслицу. Но фундаментальное ограничение — отсутствие встроенного механизма проверки фактов — остаётся и у них. Платите вы за скорость, за объём контекстного окна, за доступ к дополнительным функциям. Не за истину в последней инстанции.

Заблуждение четвёртое: «Она меня понимает»

Нет. Она не понимает вас в человеческом смысле. Она сопоставляет ваш запрос с паттернами, увиденными в обучающих данных, и генерирует наиболее вероятный ответ. Когда вы пишете «мне нужна помощь», модель не испытывает сочувствия. Она распознаёт, что на такие фразы в обучающей выборке обычно отвечали предложением помощи, и действует соответственно. Это имитация понимания, и она работает до тех пор, пока мы помним о её имитационной природе.

Заблуждение пятое: «Ещё немного, и она заменит всех»

ИИ заменит не специалистов, а отдельные операции в их работе. Он возьмёт на себя черновики, шаблонные тексты, первичный анализ — всё то, что отнимает время, но не требует глубинной экспертизы. Финальные решения, стратегическое мышление, этический выбор останутся за человеком. По крайней мере, на том горизонте планирования, который имеет смысл обсуждать сейчас.

Резюме главы

Языковая модель — это вероятностный генератор текста, не обладающий сознанием или пониманием.

Качество ответа напрямую зависит от того, насколько точно вы задали направление вероятностного поиска.

Галлюцинации — не баг, а свойство архитектуры. Факты требуют проверки.

Уверенность ответа не равна его достоверности.

Осознание этих ограничений — фундамент для построения эффективных промтов.

Глава 2. Что такое промтинг на самом деле

Когда обычный вопрос не даёт результата

Большинство людей впервые сталкиваются с языковыми моделями примерно одинаково. Открывают окно чата, набирают что-то вроде «расскажи о космосе» или «напиши поздравление коллеге» — и получают ответ. Иногда он попадает в точку, чаще — вызывает лёгкое недоумение: «Ну, вроде связно, но не то, что я хотел». Виновником обычно назначают нейросеть: мол, «сырая ещё технология» или «опять чушь выдала».

На самом деле виноват не инструмент, а способ его использования. Представьте, что вы даёте профессиональному повару инструкцию: «Приготовь что-нибудь съедобное». Он, безусловно, что-то приготовит. Возможно, даже вкусное. Но шансы, что это совпадёт с вашими ожиданиями, стремятся к нулю. Вы не сказали, сколько у вас времени, есть ли аллергии, какой бюджет, на сколько персон, предпочитаете ли вы мясо или рыбу.

С языковой моделью — та же история. Запрос «напиши текст про продукт» даёт усреднённый результат, потому что модель вынуждена угадывать десятки переменных. Она не знает, кто вы, кто ваша аудитория, какова цель текста, в каком стиле вы обычно общаетесь. И она не переспросит — просто заполнит пробелы наиболее вероятными, с её точки зрения, вариантами.

Промтинг начинается там, где заканчивается надежда на то, что «оно само догадается». Это осознанное управление всеми переменными, которые влияют на результат.

Как мысль превращается в инструкцию для машины

Давайте на минуту отвлечёмся от нейросетей и посмотрим, как мы ставим задачи людям. Опытный руководитель никогда не скажет подчинённому: «Сделай что-нибудь полезное для отдела». Он сформулирует конкретно: «К пятнице подготовь анализ конкурентов по трём параметрам: цена, каналы продвижения, сильные стороны. Оформи в виде таблицы и короткого вывода на полстраницы». В этой инструкции есть всё: срок, тема, критерии, формат, объём.

Промтинг — это ровно та же управленческая компетенция, только переложенная на взаимодействие с ИИ. Вы не просто задаёте вопрос. Вы конструируете систему координат, внутри которой модель будет искать ответ. Чем точнее система координат, тем меньше пространства для случайных блужданий.

Хороший промт отвечает на несколько ключевых вопросов ещё до того, как модель начнёт генерацию. Кто я и в какой ситуации нахожусь? Что именно мне нужно получить на выходе? Для кого предназначен результат? Какие ограничения важно учесть? В каком тоне должно быть выдержано общение? Ответы на эти вопросы — не дополнительная информация, а необходимый минимум для получения предсказуемого результата.

Четыре опоры точного запроса

За годы практики я вывел для себя простую структуру, которую называю «КРУГ». Это аббревиатура, за которой стоят четыре элемента сильного промта: Контекст, Роль, Указание, Границы.

Контекст — это всё, что модели нужно знать о ситуации, чтобы ответ не был абстрактным. Сюда входит информация о вас, вашей компании, целевой аудитории, предыстории вопроса. Например: «Я — руководитель отдела маркетинга в небольшой IT-компании, мы разрабатываем B2B-сервис для автоматизации документооборота. Наша целевая аудитория — финансовые директора средних предприятий». Без этого введения любой совет по продвижению будет универсальным, то есть бесполезным.

Роль — это точка зрения, с которой модель будет смотреть на задачу. Один и тот же вопрос, заданный «финансовому аналитику» и «креативному директору», даст принципиально разные ответы. Роль не обязательно должна быть реалистичной профессией. Иногда полезно сказать: «Представь, что ты — скептически настроенный инвестор, который рассматривает мой проект» или «Ты — редактор, который терпеть не может штампы и воду». Роль задаёт оптику, через которую модель фильтрует информацию.

Указание — это ядро запроса, то действие, которое вы хотите получить. Звучит очевидно, но именно здесь чаще всего происходит сбой. Люди пишут «расскажи о…», когда на самом деле им нужен анализ. Пишут «напиши текст», когда требуется продающее описание. Пишут «придумай идеи», когда ждут структурированный план. Чем точнее глагол, тем ближе результат к ожиданиям. Сравните: «Расскажи о тайм-менеджменте» и «Составь пошаговый план внедрения техники Pomodoro для сотрудника, который постоянно отвлекается на уведомления». Разница колоссальная.

Границы — это ограничения, внутри которых модель должна работать. Объём, формат, стиль, запрет на определённую лексику, требование использовать или избегать конкретных терминов. Парадоксальным образом ограничения не сковывают, а освобождают модель: ей не нужно гадать, она точно знает, в каких рамках действовать. «Не более 500 знаков», «без маркированных списков», «в официально-деловом стиле», «обязательно с подзаголовками» — всё это сужает коридор вероятностей и повышает точность попадания.

Почему первый ответ — это не финал

Есть ещё один аспект промтинга, который отличает опытного пользователя от новичка. Новичок воспринимает взаимодействие с нейросетью как одноразовую транзакцию: запрос — ответ — готово. Если ответ не устраивает, он либо принимает его как есть, либо бросает попытки с вердиктом «не работает».

Опытный пользователь знает: первый ответ — это почти всегда сырьё. Дальше начинается самое интересное. Вы можете сказать модели: «Слишком длинно, сократи на треть, сохранив ключевые мысли». Или: «Теперь перепиши то же самое, но так, чтобы это было понятно человеку без технического образования». Или: «Добавь два конкретных примера из практики». Каждое такое уточнение — это дополнительная настройка, приближающая результат к идеалу.

Более того, современные модели способны не просто исполнять команды, но и участвовать в анализе собственной работы. Можно спросить: «Что в этом тексте можно улучшить с точки зрения убедительности?» или «Какие слабые места ты видишь в этой аргументации?». Модель даст обратную связь, которую вы сможете использовать для дальнейшей доработки.

Промтинг — это не монолог, а диалог. И качество финального результата зависит от вашей готовности вести этот диалог, уточнять, переспрашивать, направлять.

Как изменился промтинг на момент написания книги (конец 2025 — начало 2026 года)

Когда я только начинал работать с языковыми моделями, промтинг был во многом экспериментальной дисциплиной. Мы методом проб и ошибок искали формулировки, которые «заставляют» модель выдавать нужный результат. Существовали целые библиотеки «магических слов» и специальных синтаксических конструкций.

Теперь же, ситуация качественно изменилась.

Во-первых, сами модели стали значительно умнее. Им требуется меньше специальных «заклинаний» — они лучше понимают естественный язык и способны улавливать намерения даже из неидеально сформулированных запросов. Во-вторых, контекстные окна выросли на порядки. Если раньше приходилось экономить каждый токен, то теперь можно не скупиться на детали и развёрнутые пояснения.

Однако это не означает, что промтинг стал не нужен. Скорее, он перешёл на новый уровень. Если раньше задача была «заставить модель понять, чего я хочу», то теперь — «дать модели достаточно контекста, чтобы она могла проявить свои лучшие качества». Фокус сместился с технических ухищрений на содержательное наполнение запроса.

Другой важный тренд — появление специализированных моделей и агентных систем. Промтинг для ChatGPT отличается от промтинга для Claude или YandexGPT. Модели, заточенные под конкретные задачи (например, анализ юридических документов или генерацию кода), требуют особого подхода. А агентные системы, способные выполнять цепочки действий, и вовсе меняют парадигму взаимодействия: вы описываете конечную цель, а система сама решает, какие промежуточные шаги предпринять.

Всё это делает навык осознанного промтинга не менее, а более востребованным. Потому что чем мощнее инструмент, тем важнее умение точно ставить ему задачу.

Резюме главы

Промтинг — это не просто формулировка вопроса, а осознанное управление всеми переменными, влияющими на результат.

Структура «КРУГ» (Контекст, Роль, Указание, Границы) позволяет создавать точные и предсказуемые запросы.

Первый ответ модели — это черновик, требующий доработки через диалог и уточнения.

Сегодня промтинг эволюционировал от технических «заклинаний» к содержательному управлению контекстом.

Разные модели требуют разного подхода, и понимание этих различий становится частью профессионального навыка.

Глава 3. Базовые законы хорошего запроса

Закон контекста: расскажи машине свою историю

Нейросеть не живёт в вашей голове. Она не знает, чем вы занимаетесь, с кем работаете, какие у вас цели и ограничения. И она не спросит — просто заполнит пробелы наиболее вероятными предположениями. Чаще всего эти предположения оказываются неверными.

Когда я провожу обучение для новых пользователей, я часто привожу такой пример. Представьте, что вы заходите в незнакомый офис, подходите к первому встречному и говорите: «Сделай отчёт по продажам». Какова вероятность, что вы получите именно то, что нужно? Стремится к нулю. Вы не сказали, за какой период, в каком разрезе, для кого предназначен отчёт, в каком формате. Скорее всего, человек переспросит. Нейросеть — не переспросит. Она сделает отчёт. Но он будет бесполезен.

Контекст — это всё, что превращает абстрактную задачу в конкретную. Хороший контекст отвечает на несколько вопросов:

Кто я? Ваша роль, сфера деятельности, уровень экспертизы.

Где я нахожусь? Ситуация, в которой возникла задача.

Для кого результат? Целевая аудитория, её особенности и ожидания.

Что уже было? Предыстория, предыдущие попытки, известные ограничения.

Пример слабого запроса:

«Напиши текст про утренние привычки».

Пример того же запроса с контекстом:

«Я веду блог о продуктивности для менеджеров среднего звена. Мои читатели — люди 30–40 лет, которые хотят успевать больше, но страдают от хронической нехватки времени. Напиши вводный пост для серии материалов об утренних привычках. Важно: читатели скептически относятся к «волшебным ритуалам», им нужны практичные, научно обоснованные советы, которые можно внедрить за 10–15 минут».

Разница очевидна. Во втором случае модель получает систему координат и может выдать результат, который попадёт в цель.

Закон амплуа: назначь исполнителя

Если контекст отвечает на вопрос «где мы находимся», то амплуа — на вопрос «кто говорит». Один и тот же набор фактов, изложенный бухгалтером, маркетологом или стендап-комиком, прозвучит совершенно по-разному. Назначая модели роль, вы выбираете оптику, через которую она будет смотреть на задачу.

Роль может быть профессиональной: «Ты — опытный переговорщик с двадцатилетним стажем», «Ты — научный журналист, который умеет объяснять сложное простым языком». Может быть стилистической: «Ты — скептик, который во всём ищет подвох», «Ты — энтузиаст, который видит возможности там, где другие видят проблемы». Может быть и вовсе метафорической: «Ты — машина времени из 2050 года, расскажи, как тогда решают проблему Х».

Важный нюанс: роль должна быть уместна задаче. Если вы просите модель проанализировать финансовую отчётность, роль «креативного визионера» даст интересные, но, скорее всего, бесполезные результаты. И наоборот: для генерации идей для рекламной кампании роль «сурового аудитора» будет только мешать.

В моей практике был случай, когда нужно было подготовить ответ на претензию от крупного клиента. Первый запрос был общим: «Напиши ответ на эту жалобу». Результат — стандартная отписка, которая только усугубила бы ситуацию. Тогда я переформулировал: «Ты — руководитель отдела клиентского сервиса премиум-сегмента. Твоя задача — не просто ответить на претензию, а превратить недовольного клиента в лояльного адвоката бренда. Тон — уважительный, без оправданий, с акцентом на конкретные действия, которые мы уже предприняли и ещё предпримем». Ответ получился совершенно другого уровня — клиент в итоге продлил контракт.

Закон намерения: объясни, зачем тебе это

Один и тот же текст может быть написан с разными целями: проинформировать, убедить, развлечь, вызвать дискуссию, продать. Без явного указания цели модель выбирает наиболее нейтральный, «энциклопедический» стиль. Он редко бывает эффективным.

Намерение стоит формулировать прямым текстом:

«Цель этого текста — чтобы читатель записался на вебинар».

«Мне нужно, чтобы после прочтения человек задумался о смене профессии».

«Этот пост должен вызвать желание поделиться им с коллегами».

«Я хочу не просто дать информацию, а показать, что наша компания разбирается в теме глубже конкурентов».

Чем яснее намерение, тем точнее модель подбирает аргументы, тон и структуру.

Отдельно отмечу: намерение полезно указывать не только в начале работы, но и в процессе доработки. Если вы получили текст и чувствуете, что он «не цепляет», спросите себя: а понятно ли модели, зачем этот текст вообще нужен? Возможно, вы забыли сказать, что это не просто статья, а лид-магнит для сбора email-адресов. Добавьте эту информацию в уточняющий промт — и результат изменится.

Закон формы: выбери упаковку для ответа

По умолчанию большинство языковых моделей генерирует сплошной текст в стиле эссе или статьи. Но ваша задача может требовать совсем другой упаковки. Таблица, маркированный список, диалог, сценарий, структура презентации, чек-лист — всё это разные формы, и каждая уместна в своей ситуации.

Указание формы экономит массу времени. Вместо того чтобы получить «простыню» текста и потом вручную превращать её в таблицу, вы сразу получаете готовый структурированный ответ.

Примеры указания формы:

«Оформи ответ в виде таблицы из трёх колонок: проблема, возможная причина, способ решения».

«Разбей текст на пять смысловых блоков с подзаголовками».

«Напиши в формате диалога между экспертом и скептиком».

«Сделай структуру презентации на 10 слайдов: для каждого слайда — заголовок и 3–4 ключевых тезиса».

«Представь информацию в виде чек-листа из 7 пунктов, который можно распечатать и повесить на стену».

Модели отлично справляются с такими инструкциями, если они сформулированы чётко.

Закон рамок: поставь забор, чтобы не заблудиться

Парадокс, с которым сталкиваются новички: чем больше свободы вы даёте модели, тем хуже результат. Свобода для нейросети — это не простор для творчества, а отсутствие ориентиров. Она начинает метаться между вероятными вариантами и в итоге выдаёт нечто усреднённое.

Рамки — это ограничения, которые вы задаёте осознанно. Они сужают коридор вероятностей и направляют модель к нужному результату. Виды рамок:

Объём: «Не более 500 знаков», «Ровно три абзаца», «Уложись в одно предложение».

Лексика: «Без профессионального жаргона», «Избегай англицизмов», «Используй только простые слова».

Стиль: «Официально-деловой», «Разговорный, с лёгкой иронией», «Академический, со ссылками на источники».

Структурные: «Начни с вопроса», «Закончи призывом к действию», «В каждом абзаце — не более трёх предложений».

Содержательные: «Не упоминай конкурентов», «Сфокусируйся только на преимуществах, недостатки не описывай».

Важно не переборщить. Слишком жёсткие рамки могут «задушить» модель, и она выдаст формальный, безжизненный ответ. Ищите баланс: достаточно ограничений, чтобы направить, но достаточно свободы, чтобы модель могла проявить свои сильные стороны.

Закон образца: покажи, как надо

Это, пожалуй, самый мощный и при этом самый недооценённый закон. Вместо того чтобы долго объяснять, какой стиль вам нужен, просто покажите пример. Модель проанализирует его и воспроизведёт ключевые характеристики.

Образец может быть любым: ваш собственный текст, фрагмент из любимого автора, пост из соцсетей, который вам понравился. Важно, чтобы образец был релевантен задаче. Не стоит показывать академическую статью, если вы хотите получить пост для Instagram.

Формулировка с образцом может выглядеть так:

«Вот пример текста в том стиле, который мне нужен: [вставляете текст]. Напиши похожий текст на тему [ваша тема], сохранив ритм, длину предложений, уровень формальности и общую тональность».

Модель справится с этой задачей на удивление точно. Она уловит и длину абзацев, и частоту использования местоимений, и характерные речевые обороты.

В моей практике был случай, когда нужно было написать серию постов для корпоративного блога в стиле, который очень нравился заказчику, но который он не мог описать словами. Он сказал: «Хочу вот как здесь» — и показал три поста другого блога. Я использовал их как образцы в промте, и модель выдала тексты, которые на 90% совпадали с ожиданиями заказчика. Оставшиеся 10% добили ручной правкой.

Закон шлифовки: не бойся переделывать

Первый ответ нейросети — это не готовая работа, а заготовка. Относитесь к нему как к первому наброску, который требует доработки. В этом нет ничего странного или стыдного. Даже опытные промт-инженеры редко получают идеальный результат с первого раза.

Шлифовка может идти в разных направлениях:

Сокращение: «Убери воду, оставь суть. Сократи на 30%».

Расширение: «Добавь больше деталей, примеров, пояснений».

Смена тона: «Сделай менее формально», «Добавь больше энергии», «Смягчи формулировки».

Реструктуризация: «Разбей на более короткие абзацы», «Сделай подзаголовки», «Вынеси ключевые мысли в отдельный блок».

Проверка: «Критически оцени этот текст. Найди слабые места и предложи улучшения».

Один из моих любимых приёмов — попросить модель выступить в роли критика собственной работы. Формулировка может быть такой: «Представь, что ты — строгий редактор, который получил этот текст от автора. Что бы ты в нём изменил и почему?» Модель часто находит проблемы, которые я сам не заметил, и предлагает дельные правки.

Главное — не воспринимать необходимость доработки как признак неудачи. Это нормальная часть рабочего процесса. ИИ — не волшебная палочка, а инструмент. И как любой инструмент, он требует умелого обращения и доводки результата.

Резюме главы

Контекст — фундамент, без которого модель работает вслепую. Расскажите ей свою историю.

Амплуа — выбор роли задаёт точку зрения и стиль ответа.

Намерение — явно сформулированная цель направляет аргументацию и тон.

Форма — упаковка результата должна соответствовать задаче.

Рамки — ограничения не сковывают, а направляют модель.

Образец — самый быстрый способ объяснить, чего вы хотите.

Шлифовка — нормальная и необходимая часть работы. Первый ответ — это старт, а не финиш.

Глава 4. Искусство вести диалог с машиной

Вопрос как главный инструмент управления

В традиционном образовании нас учат отвечать. Отвечать у доски, отвечать на экзамене, отвечать на вопросы руководителя. Умение задавать вопросы — навык, которому почти нигде не учат системно. А между тем, именно вопрос является первичным. Качество ответа всегда определяется качеством вопроса.

В работе с языковыми моделями этот принцип проявляется особенно ярко. Нейросеть, при всех её впечатляющих способностях, остаётся реактивной системой. Она не инициирует диалог, не уточняет неясные моменты (за редкими исключениями, которые только подтверждают правило), не переспрашивает, если вы выразились двусмысленно. Она принимает ваш запрос как данность и работает с тем, что получила.

Поэтому умение задавать правильные вопросы — себе до формулировки промта, модели в процессе диалога, результату на этапе проверки — это центральная компетенция промт-инженера. Вопросы — это руль, с помощью которого вы направляете вероятностный поток в нужное русло.

Давайте начнём с простого наблюдения. Сравните два подхода к одной и той же теме. Первый: «Расскажи о переговорах». Второй: «Какие три типичные ошибки совершают новички в переговорах о зарплате и как их избежать?». Первый запрос — это приглашение к бесконечной лекции. Модель может говорить о чём угодно: от истории дипломатии до психологических теорий. Второй запрос — это точный вопрос, который задаёт фокус, глубину и практическую направленность ответа.

Вопрос — это не просто способ получить информацию. Это способ структурировать мышление. Когда вы формулируете вопрос, вы сами лучше понимаете, что именно вас интересует и в каком разрезе. Этот процесс полезен даже безотносительно к ИИ.

Какие вопросы раскрывают тему, а какие — сужают

В моей практике все вопросы, которые мы задаём нейросети, можно разделить на два больших класса: расширяющие и сужающие. Оба полезны, но в разные моменты диалога.

Расширяющие вопросы открывают новые горизонты. Они полезны на старте, когда вы только входите в тему и хотите увидеть карту местности. Примеры:

«Какие вообще существуют подходы к решению этой проблемы?»

«Что ещё стоит учесть, о чём я, возможно, не подумал?»

«Как на этот вопрос смотрели бы специалисты из смежных областей?»

«Какие альтернативные точки зрения существуют?»

Такие вопросы заставляют модель выходить за рамки очевидного и предлагать более широкий контекст. Они хороши для мозговых штурмов, первичного анализа, поиска нестандартных решений.

Сужающие вопросы, напротив, фокусируют внимание. Они полезны, когда вы уже определились с направлением и хотите углубиться в детали. Примеры:

«Из всех перечисленных подходов какой наиболее эффективен для малого бизнеса?»

«Что конкретно нужно сделать на первом этапе?»

«Какие метрики покажут, что мы движемся в правильном направлении?»

«Какие риски у этого решения и как их минимизировать?»

Сужающие вопросы превращают общие рассуждения в конкретный план действий.

Мастерство промтинга во многом заключается в умении вовремя переключаться между этими двумя режимами. Начать с расширяющего вопроса, чтобы очертить поле возможностей. Затем серией сужающих вопросов прийти к конкретному, применимому результату.

Приём «Пять слоёв»: как докопаться до сути

Один из самых эффективных приёмов глубинного диалога с нейросетью я называю «Пять слоёв». Идея проста: вы задаёте вопрос, получаете ответ, и затем задаёте следующий вопрос, который отталкивается от полученного ответа и идёт глубже. Пять таких итераций обычно достаточно, чтобы добраться от поверхностного понимания до сути.

Приведу реальный пример из моей практики. Ко мне обратился знакомый предприниматель с проблемой: продажи интернет-магазина упали на 30% за квартал. Он уже пробовал спрашивать у ChatGPT «почему падают продажи» и получал общие советы вроде «проанализируйте конкурентов, проверьте сайт, запустите рекламу». Мы пошли другим путём.

Слой первый. «Ты — бизнес-аналитик. Интернет-магазин товаров для дома, аудитория — женщины 30–50 лет. Продажи упали на 30% за последний квартал. Назови пять наиболее вероятных причин, специфичных для этой ниши и аудитории».

Модель выдала список: сезонность, изменение алгоритмов поисковиков, активизация конкурентов, проблемы с ассортиментом, ухудшение качества трафика.

Слой второй. «Из этих пяти причин сезонность маловероятна, потому что падение произошло в высокий сезон. Конкуренты, по моим данным, не меняли стратегию. Сфокусируйся на оставшихся трёх. Для каждой предложи способ проверки гипотезы: как за неделю понять, она ли является причиной?»

Модель предложила конкретные метрики для отслеживания и простые эксперименты.

Слой третий. «Допустим, основная причина — изменение алгоритмов поисковика. Составь план действий на месяц, который не требует значительного бюджета и может быть реализован силами одного маркетолога».

Появился рабочий план: аудит семантики, переоптимизация ключевых страниц, работа с поведенческими факторами.

Слой четвёртый. «В этом плане есть пункт про поведенческие факторы. Дай пять конкретных, неочевидных идей, как улучшить вовлечённость на сайте магазина товаров для дома, не нанимая дизайнера и программиста».

Модель предложила идеи с контентом, навигацией, социальными доказательствами.

Слой пятый. «Выбери из этих пяти идей одну, которую проще всего протестировать за три дня. Напиши пошаговую инструкцию по внедрению и короткий текст для команды, объясняющий, зачем мы это делаем».

На выходе — готовая инструкция и внутренний анонс. Предприниматель внедрил предложенное за два дня, через неделю поведенческие метрики пошли вверх.

Суть приёма «Пять слоёв» — не в магическом числе, а в дисциплине: не останавливаться на первом, самом очевидном ответе, а продолжать копать, пока не доберётесь до действенного решения.

Ловушки в вопросах, которые губят результат

Некоторые типы вопросов систематически приводят к слабым или даже вредным ответам. Я выделил несколько таких ловушек.

Ловушка первая: вопрос со встроенным предположением

«Почему наш продукт лучше конкурентов?» — такой вопрос уже содержит утверждение, что продукт лучше. Модель послушно сгенерирует аргументы в пользу этого тезиса, даже если на самом деле продукт проигрывает по ключевым параметрам. Вы получите не объективный анализ, а подтверждение собственных иллюзий.

Правильный подход: «Проведи объективное сравнение нашего продукта и двух основных конкурентов по пяти ключевым параметрам. Укажи, где мы сильнее, где слабее, и где различия несущественны».

Ловушка вторая: слишком общий вопрос

«Как увеличить прибыль?» — на такой вопрос можно написать книгу, и модель попытается это сделать. Результатом будет набор банальностей, которые вы и так знаете.

Правильный подход: разбить большой вопрос на серию маленьких, конкретных, сфокусированных на вашей ситуации.

Ловушка третья: вопрос, требующий предсказания будущего

«Каким будет курс доллара через год?» или «Какая соцсеть станет популярной через пять лет?» Модель не умеет предсказывать будущее. Она может сгенерировать правдоподобный прогноз, основанный на текущих трендах, но этот прогноз не будет иметь отношения к реальному будущему.

Правильный подход: спрашивать о трендах, факторах неопределённости, сценариях развития. «Какие факторы будут влиять на курс доллара в ближайший год? Какие существуют сценарии и от чего они зависят?»

Ловушка четвёртая: вопрос, ответ на который нельзя проверить

«Какая нейросеть лучше?» Без критериев это вопрос о вкусах. Модель выдаст субъективное мнение, замаскированное под объективный анализ.

Правильный подход: задать конкретные критерии сравнения. «Сравни ChatGPT и Claude по таким параметрам: работа с русским языком, размер контекстного окна, стоимость, наличие API. Для каждого параметра укажи, у кого преимущество».

Ловушка пятая: вопрос-ультиматум

«Назови единственно правильный способ…» В большинстве сложных областей не существует единственно правильного способа. Модель, поставленная перед таким ультиматумом, выберет один вариант и подаст его как безальтернативный, что может ввести в заблуждение.

Правильный подход: «Назови три-пять основных подходов к решению задачи X. Для каждого укажи плюсы, минусы и ситуации, в которых он наиболее уместен».

Как двигаться от общего плана к деталям

Одна из самых частых ошибок новичков — попытка получить идеальный развёрнутый ответ одним запросом. Они пишут длинный, подробный промт, надеясь, что модель сразу выдаст готовую статью, пост или анализ. Иногда это работает, но чаще приводит к результату, который «вроде ничего, но чего-то не хватает».

Гораздо эффективнее — итеративный подход: от общего к частному, от структуры к наполнению, от черновика к чистовому варианту.

Шаг 1. Определите структуру. Вместо того чтобы просить готовый текст, попросите модель предложить структуру. «Составь план статьи на тему X. Укажи основные разделы и подразделы. Для каждого — 1–2 предложения о том, что будет раскрыто». Так вы сможете оценить логику, полноту охвата и при необходимости скорректировать структуру до того, как модель потратит силы на наполнение.

Шаг 2. Наполните содержанием по частям. Не просите написать всю статью сразу. Берите по одному разделу и работайте с ним отдельно. «Теперь раскрой первый раздел плана. Объём — примерно 500 знаков. Приведи два примера из практики». Такой подход даёт вам контроль над каждым фрагментом и возможность давать более точные указания.

Шаг 3. Соберите и отредактируйте. Когда все части готовы, объедините их и попросите модель провести финальную редактуру. «Вот полный текст статьи. Проверь его на связность переходов между разделами. Устрани повторы. Сделай стиль единообразным».

Шаг 4. Адаптируйте под разные форматы. Из одной хорошей статьи можно сделать несколько производных материалов. «На основе этого текста сделай пост для Telegram (до 800 знаков), пост для LinkedIn (более формальный) и пять тезисов для выступления».

Такой конвейерный подход требует чуть больше времени на старте, но даёт значительно более качественный и управляемый результат.

Просим нейросеть оценить собственную работу

Один из самых полезных и при этом редко используемых приёмов — попросить модель выступить в роли критика собственной работы. Это работает удивительно эффективно.

Формулировки могут быть разными:

«Оцени этот текст по пятибалльной шкале по критериям: ясность, убедительность, структура, соответствие цели. Для каждой оценки дай пояснение».

«Представь, что ты — строгий редактор, который получил этот текст от нового автора. Что бы ты в нём изменил и почему?»

«Найди в этом тексте три слабых места и предложи, как их усилить».

«Если бы этот текст писал эксперт с двадцатилетним стажем, что бы он сделал иначе?»

«Какие контраргументы может выдвинуть скептически настроенный читатель? Учтены ли они в тексте?»

Почему это работает? Во-первых, модель при генерации текста находится в режиме «создателя». Когда вы просите её переключиться в режим «критика», она активирует другие паттерны — те, которые связаны с анализом и оценкой текстов. Во-вторых, вы явно даёте ей разрешение на поиск недостатков, снимая неявное ограничение «быть полезной и позитивной».

В моей практике регулярное использование этого приёма повышает качество финальных текстов на 20–30%. Причём самые ценные правки часто касаются не грамматики или стиля, а логики и аргументации — именно тех аспектов, которые сложнее всего отследить самому автору.

Резюме главы

Вопрос — главный инструмент управления нейросетью. Качество ответа прямо зависит от качества вопроса.

Расширяющие вопросы помогают увидеть картину целиком, сужающие — добраться до конкретики.

Приём «Пять слоёв» позволяет пройти путь от поверхностного понимания к глубинному решению.

Избегайте вопросов со встроенными предположениями, слишком общих, требующих предсказаний и не проверяемых вопросов-ультиматумов.

Двигайтесь от общего к частному: сначала структура, потом наполнение, потом сборка и адаптация.

Регулярно просите модель оценить собственную работу — это простой способ повысить качество без дополнительных итераций с вашей стороны.