Главное про AI - Вадим Жартун

примеров «вход — вывод» прямо в промпте) даёт меньший прирост, чем для старых LLM. Но для стабилизации формата вывода few-shot остаётся лучшим приёмом. Об этом подробнее в разделе 4.

– Явные инструкции работают лучше подразумеваемых. В материалах OpenAI Academy рекомендация звучит прямо: пишите ясно и конкретно. Anthropic в Best Practices добавляет: вместо того чтобы говорить модели, чего не делать, скажите, что делать. Конкретное «напиши три абзаца по 3–5 строк, без вводных фраз вроде “в этой статье мы рассмотрим”» работает стабильнее, чем абстрактное «напиши кратко и по делу».

Эти сдвиги означают, что советы из гайдов 2023 года устарели. Если у вас в закладках лежит пост «30 лучших приёмов промпт-инжиниринга» с формулировками вроде «будь вежлив с моделью, распиши по шагам, приведи 5 примеров», откройте его заново — половина советов теперь работает в минус, а не в плюс. Этот провал с «30 лучшими приёмами» — частный случай того сдвига в рекомендациях 2024–2026 годов, который мы только что разобрали.

Хороший промпт — всегда версия, пережившая итерации, а не «рецепт из методички», написанный по вдохновению в воскресенье вечером. Первый рецепт борща всегда корявый: капусты много, свеклы мало, уксуса перебор, время варки неверное — и только версия, пережившая пять вкусов, два ингредиента и одну смену плиты, становится рабочей. С промптом та же история: сделал первый выстрел, посмотрел, куда упало, скорректировал, повторил. Правило — записывать, что именно не сошлось в прошлый раз, и менять одну вещь за раз.

У Anthropic Console есть кнопка «improve prompt», и она работает не как волшебная палочка: после нажатия вы получаете новую версию, которую всё равно надо проверить на своих примерах. Каждое нажатие — новая гипотеза, а не финальный ответ.

И ключевое: если за 10–12 итераций без улучшения вы продолжаете крутить формулировки, остановитесь и пересмотрите саму задачу. Скорее всего, она не для одного промпта.

СИСТЕМНЫЙ ПРОМПТ: БЛОКИ КОНСТРУКЦИИ И ПРИНЦИПЫ СБОРКИ

Системный промпт — это инструкция, которая загружается в модель один раз и применяется ко всем запросам в ходе сессии или продукта. Anthropic, OpenAI и Google рекомендуют в 2026 году структурировать системный промпт по блокам: роль, тон, фон, инструкции, примеры, история, задача, рассуждение, формат, предзаполнение. Каждый блок решает конкретный класс проблем. Пропуск нужного блока ломает стабильность результата. Но заполнять все десять подряд без разбора тоже не нужно: для большинства офисных задач хватает первых пяти.

БЛОК «КОНТЕКСТ»: РОЛЬ МОДЕЛИ

Роль задаёт модели «кто она» в этой сессии. Формулировка «Ты опытный юрист по корпоративным спорам с 10-летним стажем, консультируешь сотрудников малого бизнеса» работает лучше, чем «Ты помощник по юридическим вопросам». Разница в детализации: первая версия даёт модели конкретный профиль экспертизы и конкретную аудиторию, вторая оставляет размытое поле. Anthropic относит роль к «правильной высоте» — зоне между двумя крайностями: слишком жёстким «if-else» описанием поведения, которое ломается на нестандартном входе, и слишком общим «будь полезным ассистентом», которое не даёт модели конкретных сигналов.

Один и тот же запрос «перепиши этот пункт договора» с ролью «старший юрист по корпоративным спорам, аудитория — судья арбитражного суда» даёт на порядок другой ответ, чем с ролью «опытный копирайтер». В нашей практике с офисными задачами смена роли с «юрист» на «юрист-практик с 10-летним стажем, аудитория — генеральный директор» изменяла результат сильнее, чем удвоение длины инструкций. Роль — самый дешёвый рычаг в системном промпте.

БЛОК «ТОН»: ГОЛОС ОТВЕТА

Тон — это «как звучать». Без явного указания модель выдаёт нейтрально-канцелярский тон по умолчанию, который подходит для одной компании и абсолютно чужд другой. Я на консультациях даю клиентам три-пять прилагательных для описания голоса: «уверенный, без пафоса, конкретный, без хеджирования». Это работает лучше, чем абстрактное «дружелюбный и профессиональный». Отдельно фиксируется правило на случай нехватки данных: «Если данных не хватает — скажи, не придумывай». Маленькое добавление закрывает большой класс выдумок.

БЛОК «ФОН»: ОБСТОЯТЕЛЬСТВА ЗАДАЧИ

Фон — это стабильная информация о данных, которая кешируется и не меняется от запроса к запросу. Для одиночного запроса фон минимален. Для серии запросов в ходе проекта он разрастается: структура входящих документов, реквизиты контрагента, согласованный ранее стиль. Типовая ошибка — класть сюда переменные данные, которые меняются от запроса к запросу. Anthropic в Effective context engineering рекомендует давать только релевантный контекст, а не всю доступную информацию: «меньше — значит лучше» работает в 2026 году так же, как в 2024.

Фон — это то, что не меняется. Всё, что меняется, — в задачу.

БЛОК «ИНСТРУКЦИИ»: ПОРЯДОК ШАГОВ

Блок инструкций описывает порядок действий, который модель должна выполнить. Его сила — в последовательности, а не в количестве. Кажется контринтуитивным: чем больше правил, тем стабильнее результат. На практике 12 правил в случайном порядке дают худший результат, чем 4 правила, выстроенные в логическую цепочку «проверь → действуй → подтверди». Мы уже зафиксировали это правило во вступлении и в подразделе про «дописать правил». Порядок шагов в инструкции — самый сильный рычаг. Перестановка шагов меняет результат на порядок сильнее любого другого приёма.

Хорошая инструкция — это пронумерованный список шагов, где каждый следующий шаг опирается на результат предыдущего. Плохая инструкция — это свалка «учти X, помни про Y, не забудь Z», где Y, X и Z конкурируют за внимание модели. Один из моих клиентов, аудитор, переписал 15 правил в 4 шага, и время обработки одного акта сократилось с 40 минут до 15. Правил стало не меньше — они стали последовательностью, а не параллельным шумом.

БЛОК «ПРИМЕРЫ»: ОБУЧЕНИЕ НА FEW-SHOT

Блок примеров — это пара «вход — правильный выход», показанная модели в системном промпте, чтобы она поняла формат, метки и стиль. Anthropic в Best Practices рекомендует от 1 до 5 примеров для задач, где формат нестандартный или есть редкие пограничные случаи — corner-cases, на которых модель обычно спотыкается. Google Gemini идёт дальше и рекомендует всегда включать few-shot — несколько примеров «вход — вывод» прямо в промпте. Промпты без примеров, по мнению Google, обычно менее эффективны.

Идея: примеры могут заменить инструкции, если они достаточно показательны. Но в 2022 году Sewon Min с коллегами опубликовал работу «Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?» (EMNLP 2022, arXiv:2210.15059), которая перевернула популярное убеждение: few-shot учит не правильному ответу, а формату, пространству меток и распределению входов. Из этого два следствия, которые мы ещё усилим в разделе few-shot.

Первое: не тратьте час на