7 приёмов промптинга, которые реально работают (а не «будь экспертом»)

В интернете тонна «магических промптов» уровня «представь, что ты эксперт с 20-летним опытом». Звучит солидно, толку ноль. Реально на качество ответа влияет горстка приёмов — и все они про одно: дать модели контекст и убрать догадки. Вот семь, которые стоит знать. Каждый — что это, когда применять и в чём подвох.

1. Дай роль и контекст, а не только задачу

Модель не знает, кто ты и зачем спрашиваешь. «Объясни рекурсию» и «объясни рекурсию новичку, который только выучил циклы» дадут совершенно разные ответы. Контекст сужает облако возможных ответов до нужного. Это работает не потому, что ты льстишь модели «ты эксперт», а потому что добавляешь фактов о ситуации.

Подвох: не путай роль с контекстом. «Будь гением» — пустышка. «Ты ревьюишь код новичка, объясняй мягко и с примерами» — рабочий контекст.

2. Покажи пример того, что хочешь

Самый недооценённый приём. Один хороший пример желаемого результата стоит абзаца описаний. Это называется few-shot: ты показываешь модели образец, и она подхватывает формат, тон, уровень детализации.

Подвох: пример должен быть хорошим. Покажешь кривой образец — получишь кривой результат, модель честно его скопирует.

3. Проси конкретный формат вывода

Если не сказать, как оформить ответ, модель выберет сама — и часто не то. Скажи прямо: «ответь списком из 5 пунктов», «верни JSON с полями name и price», «только код, без объяснений». Формат — это часть задачи, а не мелочь.

Подвох: чем строже формат, тем важнее его задать точно. «Таблица» — расплывчато. «Таблица с колонками: приём, когда применять, подвох» — однозначно.

4. Дроби большую задачу на шаги

Модель, как и человек, лучше справляется с задачей по частям. Вместо «собери мне приложение» попроси сначала набросать структуру, потом сделать один экран, потом следующий. Каждый шаг ты проверяешь — и ошибка не уносит весь проект.

Подвох: дробление требует от тебя вести процесс. Зато ты видишь, где именно что-то пошло не так, и чинишь точечно, а не переписываешь всё.

5. Разреши сказать «не знаю»

Модель по умолчанию старается ответить всегда — даже когда не знает, и тогда выдумывает уверенным тоном. Простая добавка ломает это: «если не уверен — так и скажи, не выдумывай». Ты сознательно даёшь модели выход, и она реже галлюцинирует.

Подвох: это снижает, но не убирает выдумки полностью. Факты, на которые ты опираешься, всё равно перепроверяй сам.

6. Попроси план до того, как писать код

Мощный приём для вайб-кодинга: перед тем как просить код, попроси модель сначала описать план словами. «Не пиши код. Сначала опиши, какие будут файлы и что в каждом». Ты ловишь неверный замысел на этапе плана — где правка стоит одну фразу, а не на этапе готового кода.

Подвох: иногда модель рвётся сразу писать код. Если проигнорировала — повтори твёрдо: «только план, кода пока не нужно».

7. Итерируй: скажи, что именно не так

Первый ответ редко идеален, и это нормально. Не начинай заново — уточни по результату. Не «сделай лучше» (пустая команда), а «слишком формально, сделай проще и короче» или «третий пункт неверный, вот почему». Точная обратная связь — самый быстрый путь к нужному.

Подвох: «улучши» и «сделай круче» модель понять не может — это не информация. Чем конкретнее, что тебе не понравилось, тем точнее правка.

Что общего у всех семи

Заметил закономерность? Ни один приём не про «волшебную фразу». Все они убирают неопределённость: дают модели контекст, образец, рамки формата, право на честность. Промптинг — это не заклинания, а ясная постановка задачи. Если хочешь копнуть глубже, как это устроено в целом, — вот разбор промпт-инжиниринга и что такое системный промпт, который задаёт правила на весь разговор.

Вопрос: а длинный промпт всегда лучше короткого?

Нет. Лучше не длинный, а точный. Лишние слова и вежливые расшаркивания ничего не добавляют, а иногда уводят модель в сторону. Цель — не объём, а чтобы в промпте была вся нужная информация и ни одной догадки. Короткий, но полный бьёт длинный и водянистый.

Вопрос: эти приёмы работают для всех моделей?

В основном да — роль, пример, формат и дробление работают почти везде, потому что отвечают на общий принцип: меньше догадок — точнее ответ. Детали могут отличаться, но если ответ плохой, в 9 случаях из 10 дело не в модели, а в том, что ей не хватило контекста.