Максим Солдаткин

Блог гайд

Промт — как писать инструкции нейросети

Промт (англ. prompt) — текстовая инструкция нейросети: что сделать, в какой роли, в каком формате, с какими ограничениями. От качества промта напрямую зависит качество ответа. Один и тот же ChatGPT по тупому промту выдаст шаблонную «воду», по структурированному — годный черновик статьи или анализ.

В русском языке оба написания допустимы — промт и промпт. Wordstat показывает примерно равную частотность. Дальше в статье используется «промт» как более короткий вариант.

В 2026 году промтинг превратился из ремесла в дисциплину: у Anthropic есть официальный интерактивный курс из 9 глав, у OpenAI — six core strategies, вакансии «prompt engineer» появились в крупных компаниях.

О чём страница. PILLAR-гид: определение, структура, виды (zero-shot, few-shot, CoT, RAG), шесть фреймворков, особенности под Claude/GPT/Gemini/GigaChat/YandexGPT/DeepSeek, под форматы (текст, картинка, видео, музыка), 30+ шаблонов, токены и стоимость, библиотека, антипаттерны, FAQ. Смежные темы — в отдельных хабах, ссылки в блоке «Дальше».

Что такое промт простыми словами

Промт — это запрос в свободной форме, который понимает нейросеть. Аналогия: задача новому стажёру, который умеет почти всё, но трактует слова буквально и не знает контекста. Чем подробнее и структурированнее задача, тем ближе результат к ожиданиям.

Плохой промт: «напиши пост про маркетинг» — выйдет шаблон без цели, аудитории и формата. Хороший: «Пост для Telegram-канала маркетолога на 1000 знаков о том, почему ИИ-инструменты не заменяют маркетолога, а усиливают его. Тон экспертный, без воды. Структура: проблема → 3 примера → вывод → призыв подписаться».

Виды промтов: zero-shot, few-shot, chain-of-thought, RAG

Классификация по способу подачи задачи. Виды не взаимоисключающие.

Zero-shot. Без примеров: задача описана словами, модель решает «с нуля». Подходит для общих задач — суммаризация, перевод, рерайт. Современные модели (Claude 4, GPT-5, Gemini 2.5) на zero-shot закрывают большинство бытовых задач.

Few-shot. 2–4 примера «вход → выход» внутри промта. Модель копирует паттерн вместо интерпретации описания. Нужен для жёстких форматов (JSON, классификация), уникальных стилей бренда, редких задач. По данным mem0.ai few-shot guide, 4 разнородных примера работают лучше 8 однотипных.

Chain-of-thought (CoT). Инструкция «рассуждай пошагово». Повышает точность на математике, логике, цепочках выводов. У Claude и GPT-5 zero-shot CoT встроен — «think step by step» активирует развёрнутое рассуждение. Подробнее — chain of thought простыми словами.

RAG-промт. Перед задачей подкладывают внешние документы — выгрузку из базы, статьи, корпоративную wiki. Модель отвечает «по поданным документам», а не по обучению. Используется в корпоративных чат-ботах и юридических ассистентах.

Tree-of-thoughts и self-consistency. Развитие CoT: модель генерирует несколько вариантов рассуждения и выбирает лучший. На бытовых задачах избыточно. Meta-prompting. Просьба сначала написать промт, потом по нему ответить — помогает, когда автор не уверен в формулировке.

Типология промтов: system, user, assistant

С точки зрения LLM-протокола переписка разбита на сообщения трёх типов (PromptHub guide). Понимание этого слоя — фундамент для работы с API.

  • System message — общий контекст и правила поведения. Задаёт роль, тон, ограничения, формат. Один раз в начале сессии. Сюда укладывают «правила игры»: отвечать на русском, не упоминать конкурентов.
  • User message — конкретный запрос: задача, контекст, few-shot примеры, требования к формату. Много в течение сессии.
  • Assistant message — ответ модели. Если просите продолжить незаконченный текст, этот блок собирают вручную.

Разделение system и user снижает противоречия и упрощает итерацию. Антипаттерн — system prompt на 5000+ токенов: модель теряется. Anthropic рекомендует держать system ёмким, конкретику — в user. В обычном чате (ChatGPT, Алиса, GigaChat) пользователь видит только user, system запекается в настройках. В API эти три слоя — основа архитектуры.

Из чего состоит хороший промт

По Anthropic prompt engineering guide, эффективный промт строится из 5 блоков: роль (кем выступает модель), задача (что сделать), контекст (для кого, зачем), формат (markdown, таблица, JSON, длина), ограничения (что не делать).

Anthropic выделяет 5 высокоотдачных навыков: XML-теги, запрос обоснования перед выводом, конкретная роль, пошаговое рассуждение, примеры вместо длинных инструкций. OpenAI в best practices фиксирует six core strategies: чёткие инструкции, опорный текст, разбивка задачи на подзадачи, «время подумать» (CoT), внешние инструменты, систематическое тестирование.

Базовые правила хорошего промта

  • Конкретика вместо общих слов. Не «напиши хороший пост» — а «пост на 800 знаков, разговорный тон, 3 абзаца, без эмодзи».
  • Роль задаёт стиль. «Учитель литературы для 10 класса» — модель сразу подбирает лексику и глубину. По research role prompting, роль активирует знания и языковые паттерны предметной области.
  • Контекст в начале. Не «составь план тренировки», а «план для женщины 35 лет, без опыта, цель — похудение, 3 занятия в неделю дома без оборудования».
  • Формат ответа явно. Нужна таблица — попросите таблицу. JSON — укажите схему. Модель исполняет, не угадывает.
  • Что НЕ делать. Если у модели есть привычные шаблоны — явно запретите их.
  • Примеры лучше инструкций. 1–2 примера готового вывода надёжнее 5 предложений словесного описания.

Шесть фреймворков промтинга

В сообществе закрепилось шесть рабочих шаблонов разной сложности. По Pasquale Pillitteri research overview 2026, они покрывают большинство задач. Чем менее предсказуема задача, тем больше блоков прописывать явно.

RTF — Role, Task, Format

Закрывает большинство бытовых задач, учится за 2 минуты.

Роль: ты SMM-специалист с опытом запуска образовательных курсов.
Задача: напиши 5 вариантов заголовка для поста о запуске нового курса по нейросетям.
Формат: маркированный список, каждый заголовок до 80 знаков.

Когда подходит: разовая задача, повторяющийся формат (10 описаний товара, 5 заголовков).

RACE — Role, Action, Context, Expectation

Добавляет к RTF блок Контекст, без которого ответы получаются шаблонными.

Role: ты email-маркетолог.
Action: напиши welcome-письмо новому подписчику.
Context: школа применения нейросетей для маркетологов,
аудитория — маркетологи 25–40 лет, которые ещё не пробовали ИИ в работе,
канал — email после подписки на лид-магнит «10 промтов для маркетолога».
Expectation: 1200 знаков, разговорный тон, 1 ссылка на лид-магнит, призыв ответить.

Когда подходит: задачи с привязкой к конкретному проекту, аудитории, кампании.

CRISPE — Capacity, Role, Insight, Statement, Personality, Experiment

Самый детальный фреймворк. C — экспертный потенциал модели, R — роль, I — контекст, S — суть задачи, P — тон, E — варианты для перебора. Когда подходит: стратегический анализ, выбор между альтернативами, сложные тексты с важным тоном.

CO-STAR — Context, Objective, Style, Tone, Audience, Response

Альтернатива CRISPE с акцентом на стиле и тоне.

Context: запускаем онлайн-курс по применению нейросетей в маркетинге.
Objective: первый экран лендинга, который удерживает до второго экрана.
Style: прямой, конкретный, без слов «революция», «трансформация».
Tone: уверенный, без давления, как разговор с коллегой.
Audience: маркетологи 28–40 лет, выгоревшие на рутине.
Response: H1 ≤80 знаков, подзаголовок ≤140, CTA ≤25.

Когда подходит: рекламные тексты, лендинги, посадочные блоки, email-рассылки.

Five Ss — Set the scene, Specifics, Simple language, Structure, Surprise check

Современный фреймворк для длинных текстов. Surprise check — попросить модель сначала проверить себя на типовые ошибки (клише, голословные «X% эффективнее», вода), потом выдать ответ. Когда подходит: длинные тексты, ревью, аудит.

Как выбрать. Разовая задача — RTF. Привязка к проекту — RACE. Реклама и лендинг — CO-STAR. Стратегия — CRISPE. Длинный текст с риском воды — Five Ss.

Универсальные приёмы

Техники поверх любого фреймворка — второй слой к RTF, RACE, CO-STAR, Five Ss.

Chain-of-thought — «думай пошагово»

Фраза «рассуждай пошагово» улучшает точность на логике и математике. По OpenAI guide, CoT снижает ошибки в логике и счёте. Современные модели (Claude 4, GPT-5, Gemini 2.5) хорошо рассуждают в zero-shot CoT — достаточно одной фразы.

Реши задачу. Рассуждай пошагово:
1. Что дано
2. Что найти
3. Формула
4. Вычисление
5. Ответ

Few-shot — обучение через примеры

2–4 примера «вход → выход» в промте. Модель копирует паттерн.

Преобразуй сырую заметку в карточку клиента в JSON.

Пример: «Иван, +7 999, ищет дом до 15 млн в Подмосковье»
→ {"name":"Иван","phone":"+7 999","budget":15000000,"region":"Подмосковье"}

Обработай: «Сергей, 8916..., 12 млн, Новая Москва, 3 комнаты»

Разнообразие важнее количества: 4 разнородных примера лучше 8 однотипных. Самый репрезентативный — последним (recency effect).

Role-playing — назначение роли

Конкретная роль («редактор National Geographic с 15 годами стажа») заметно меняет лексику и глубину. Чем точнее роль — тем предсказуемее результат. Антипаттерн — «ты ИИ-ассистент». Усиление: двойная роль («ты редактор и одновременно скептик: сначала перепиши, потом приведи 3 возражения»).

Отрицание — что НЕ делать

LLM плохо обрабатывает голое «не»: «не используй штампы» иногда срабатывает наоборот. Рабочий подход — переформулировать запрет в позитив: вместо «не пиши воду» → «каждое предложение должно содержать факт или цифру». Принципиальные запреты — отдельным блоком в конце промта (recency-эффект).

XML-теги для структуры

Anthropic рекомендует обёртывать блоки промта в XML-теги для Claude.

<role>Ты SEO-редактор</role>
<task>Сократи статью с 8000 до 5000 знаков, сохрани факты и ссылки</task>
<style>Разговорный тон оригинала, без канцелярита</style>
<input><!-- статья --></input>

Промты под разные модели

У каждой семьи моделей свои привычки. Один и тот же промт у Claude, GPT и Gemini даст разный результат — из-за разных трактовок конструкций.

Claude (Anthropic)

Лучше всего работает с XML-тегами и явными ролями. Anthropic в официальном гайде рекомендует обёртывать блоки в <role>, <task>, <input>, <output>. Хорошо реагирует на просьбу «сначала подумай, потом ответь» в <thinking> блоке. Поддерживает длинный контекст (200K+ токенов). Не любит резкие команды, лучше реагирует на коллегиальный тон.

GPT (OpenAI)

Работает с markdown-структурой (заголовки, нумерованные списки) и чёткими шагами. Хорошо держит role-prompting через system message. Модели GPT-5 рассуждают в zero-shot CoT — фраза «think step by step» помогает на сложной логике.

Gemini (Google)

Сильна в мультимодальных промтах (текст + картинка + PDF). Хорошо реагирует на структурированные таблицы и явные output schema (JSON, YAML). Менее терпима к длинным system message.

GigaChat (Сбер)

Российская модель, понимает русский в естественных формулировках. Реагирует на короткие прямые инструкции. Подходит для задач с российской спецификой. Подробности — промты для GigaChat.

YandexGPT (Яндекс)

Сильна на коротких задачах внутри экосистемы Яндекса: реклама, ответы клиентам, рерайт. Лучше работает в стиле «вопрос — ответ» с явным форматом. На длинных рассуждениях уступает Claude и GPT-5 — сложные задачи дробить на этапы.

DeepSeek

Открытая модель с сильной логикой и кодом. По бенчмаркам сопоставима с GPT-5, при меньшей стоимости через API. Промты ближе к стилю GPT: markdown, нумерованные шаги, явный CoT. В неоднозначных формулировках уходит в английский — нужно явно писать «отвечай на русском». Часто берут как бюджетную альтернативу на массовых задачах.

Midjourney (картинки)

Промт для картинки — визуальное описание сцены. Структура: [субъект] [окружение] [стиль] [камера/освещение] [параметры]. Пример: «woman 35, cozy home office, soft morning light, photorealistic, Sony A7 IV, 85mm —ar 16:9 —v 6». Подробности — промты для Midjourney, промт для картинки.

Veo, Sora, Kling (видео)

Ближе к режиссёрскому плану. Структура: [сцена] [действие] [камера + движение] [освещение] [настроение] [длительность]. Гид — промт для видео.

Suno, Udio (музыка)

Структура: [жанр] [настроение] [инструменты] [BPM] [вокал] [референс]. Пример: «lo-fi hip hop, melancholic, dusty piano, soft drums, 80 BPM, female vocal». Текст песни — отдельно с метками [verse], [chorus]. Лучше реагирует на промты на английском.

Промты под формат

Структура зависит от типа результата. Логика блоков одинаковая, набор полей разный.

  • Текст. Роль, задача, аудитория, формат (длина, структура, тон). Длинные тексты — outline + стоп-слова. Нейросети для текста.
  • Картинка. Субъект, окружение, стиль, свет, параметры. С референсом проще приложить картинку, чем описывать. Промт для картинки.
  • Видео. Сцена, действие, камера, движение, освещение, длительность. Промт для видео.
  • Музыка. Жанр, настроение, инструменты, темп, вокал. Текст песни — отдельно с метками частей.
  • Код. Язык, версия, ограничения, сигнатура функции, примеры. CoT «сначала псевдокод, потом реализация» повышает качество.
  • Презентация. Тема, аудитория, цель, количество слайдов, тип контента. Нейросети для презентаций.

30+ готовых шаблонов промтов

Минимальные рабочие заготовки. Меняйте под свой проект.

Маркетинг и контент.

  1. Заголовки. «10 вариантов заголовка для статьи о [тема]. Каждый ≤70 знаков, без слов “революция”, “тренд”, “будущее”.»
  2. Описание товара. «Опиши [товар] для [аудитория]. 300–400 знаков, 3 абзаца: проблема — решение — выгода.»
  3. Пост в Telegram. «Пост на 1000 знаков о [тема]. Структура: хук — 3 тезиса — вывод — CTA. Без эмодзи в первом абзаце.»
  4. Email-рассылка. «Письмо для [аудитория] о [продукт]. 1200 знаков, тема ≤50, прехедер ≤100, одна ссылка-CTA.»
  5. Сценарий Reels. «Сценарий на 30 секунд: хук (3 сек) — раскрытие (20 сек) — CTA (7 сек). Реплики + подсказки по кадру.»
  6. Лендинг. «H1 ≤80 знаков, подзаголовок ≤140, CTA ≤25 для [продукт] и [аудитория]. Без слов “уникальный”, “лучший”.»
  7. SEO-метатеги. «Title ≤60 и description ≤155 для статьи [тема] под ключ “[ключ]”. Title начинается с ключа.»

Работа и менеджмент.

  1. Резюме встречи. «Из расшифровки: краткое резюме (5 пунктов), список решений, задачи с исполнителями. Markdown.»
  2. Письмо клиенту. «Вежливое письмо клиенту [контекст]. Деловой тон, 800 знаков, с конкретным следующим шагом.»
  3. Отчёт. «По таблице данных: ключевые цифры, тренды, аномалии, рекомендации. 1500 знаков, markdown.»
  4. ТЗ исполнителю. «По задаче [описание] составь ТЗ: цель, контекст, требования, формат, дедлайн, критерии приёмки.»
  5. Чек-лист. «Чек-лист из 10 пунктов для [задача]. Каждый пункт — действие с глагола.»

Подробнее — промты для работы.

Анализ.

  1. SWOT. «SWOT для [продукт] на рынке [рынок]. По 4 пункта в блоке, с обоснованием.»
  2. Конкуренты. «Сравни [A] и [Б] по 5 критериям: цена, ЦА, позиционирование, ключевая фича, слабое место. Таблица.»
  3. JTBD. «5 JTBD для [продукт] по шаблону “когда [ситуация], я хочу [цель], чтобы [результат]”.»

Обучение.

  1. Объясни «на пальцах». «Объясни [термин] на уровне 12-летнего ребёнка. 3 абзаца: аналогия — суть — пример.»
  2. Конспект. «Сожми статью до 1000 знаков с сохранением фактов и цифр. Без вводных.»
  3. Quiz. «10 вопросов с вариантами ответа по теме [тема]. Уровень — начинающие. Ответы в конце.»
  4. План курса. «План из 8 модулей по теме [тема] для [кто]. В каждом: цель, 3 урока, итоговое задание.»

Креатив.

  1. Названия. «20 названий для [продукт]. Без слов “smart”, “pro”, “next”. Разнообразие — короткие, метафоричные, прямые.»
  2. История. «История на 1500 знаков по структуре “герой → проблема → решение → урок”. Тема — [тема].»

Код.

  1. Объяснение кода. «Объясни код построчно. Уязвимости и антипаттерны отметь.»
  2. Рефакторинг. «Перепиши читаемее: меньше вложенности, осмысленные имена, без дублирования. Поведение сохрани.»
  3. Тесты. «Unit-тесты для [функция]. Покрой основной кейс, граничные значения, ошибки.»
  4. SQL. «SQL-запрос для [задача] по таблицам [схема]. Логика комментариями.»

Картинки, видео, музыка.

  1. Иллюстрация. «Subject: [объект]. Setting: [где]. Style: editorial illustration, flat, muted palette. Light: soft. Ratio: 16:9.»
  2. Портрет. «Business portrait of [описание], studio backdrop, photorealistic, Sony A7 IV, 85mm, soft key light. 1:1.»
  3. Видео. «Сцена: [описание]. Действие: [что]. Камера: средний план, плавная панорама. Золотой час. 6 сек.»
  4. Музыка. «Genre: minimal corporate. Mood: calm. Instruments: soft piano, synth pad. BPM 90. 30 sec loop.»

Прочее.

  1. Перевод. «Переведи на [язык]. Сохрани стиль, термины не переводи, имена транслитом.»
  2. Резюме. «По опыту [описание] составь резюме на [позиция]. Markdown: опыт, навыки, проекты, образование.»
  3. Отказ кандидату. «Письмо-отказ. 400 знаков, благодарность, конкретная причина без оценок, открытая дверь.»

Полная подборка — библиотека промтов.

Стоимость промта: токены и расчёт

Единица учёта — токен: примерно 4 символа английского или 2–3 символа русского. Слово «промт» — около 2 токенов, абзац на 500 знаков — 200–250 токенов. Формула стоимости: (токены промта × цена input) + (токены ответа × цена output). Output дороже input в 3–5 раз.

Что съедает токены: длинный system message (повторяется в каждом запросе), RAG-документы, история переписки, few-shot примеры, thinking-блок.

Как снизить расход: сжать system до сути, использовать prompt caching (Anthropic, OpenAI кешируют неизменяемые куски), на массовых задачах брать модель попроще (Haiku, GPT-5-mini, DeepSeek), сократить few-shot до 2–3 разнородных, ограничивать длину ответа явно.

Для бюджета — средний размер промта и ответа × тариф модели × количество запросов в месяц. На массовых задачах экономия токенов превращается в реальные деньги.

Где хранить рабочую библиотеку промтов

Когда промтов больше 10–15, держать их в чате неудобно. Рабочие места:

  • Notion / Anytype — универсальная база с тегами, удобно для команд.
  • Custom GPTs / ChatGPT Projects, Anthropic Projects — проект с зафиксированным system prompt и документами.
  • GitHub Gist / репозиторий — если промты участвуют в коде: версионирование через git, ревью через PR.
  • Obsidian / локальные md-файлы — для одного пользователя: markdown с тегами.
  • PromptHub, LangSmith — версионирование, A/B-тесты, метрики для продакшена.

Минимальная карточка: название → задача → модель → текст → пример вывода → дата → заметки по итерациям.

Что делает промт плохим

Типовые неудачи — четыре паттерна, портят результат у любой модели.

  • Vague — расплывчатость. «Хороший пост», «сделай красиво». Лечение — числа и факты.
  • Conflicting — противоречия. «Коротко и подробно». Лечение — приоритезация: что главное, что второстепенно.
  • No constraints. Не задана длина, формат, аудитория, запреты. Лечение — 5 блоков RACE.
  • Overloaded. Длинный system + длинный user + 10 примеров + 5 правил. Лечение — дробление на 2–3 этапа: outline → текст → чек-лист.

Дополнительно — отсутствие examples. Сложный стиль словами почти не передать: дайте 2–3 готовых примера.

От промт-инжиниринга к context-инжинирингу

В 2026 году произошёл сдвиг: вместо точечного промта собирают полный контекст — system prompt, инструменты, история переписки, RAG-документы, примеры. По статье Anthropic «Effective context engineering» задача сужена до «наименьшее множество high-signal токенов на максимум вероятности нужного результата». Простыми словами: точный промт уже не вершина мастерства — вершина в том, чтобы собрать правильный контекст вокруг него.

Где применяются промты

Готовые наборы и профессия

Если не хочется писать с нуля — библиотека промтов: по задачам, отраслям, инструментам. Профессия промт-инженер закрепилась в индустрии в 2026 году — зарплаты от 150 000 ₽ в РФ, от $150 000 в США.

FAQ

Промт или промпт? Оба написания корректны. Wordstat показывает примерно одинаковую частотность. «Промпт» ближе к английскому prompt, «промт» — упрощённая форма.

Что такое хороший промт? Содержит роль, задачу, контекст, формат и ограничения. Конкретен, даёт примеры вместо длинных описаний, явно запрещает шаблоны.

Какой фреймворк выбрать? Разовые задачи — RTF. Регулярная работа над проектом — RACE. Реклама и лендинги — CO-STAR. Стратегия — CRISPE. Длинные тексты — Five Ss.

Чем отличаются system, user и assistant messages? System — общие правила и роль (один раз). User — конкретная задача. Assistant — ответ модели. В чате видна только user-часть, в API эти три слоя — основа архитектуры.

Что эффективнее: длинная инструкция или примеры? Чаще — примеры. Паттерн на 1–2 примерах надёжнее 5 абзацев словесного описания.

Работает ли «think step by step» в 2026? Да, но эффект слабее, чем в 2023–2024. Современные модели уже сами рассуждают пошагово.

Один промт для Claude и GPT — это нормально? Работает, но не оптимально. Claude — XML-теги, GPT — markdown и нумерованные шаги, Gemini — таблицы и JSON-schema.

Почему «не делай X» иногда срабатывает наоборот? LLM плохо обрабатывает голое «не». Решение — переформулировать запрет в позитив («каждое предложение содержит факт или цифру»). Принципиальные запреты выносить в отдельный блок в конце промта.

Как научиться писать промты? Бесплатно — интерактивный курс Anthropic из 9 глав, OpenAI guide. По-русски — практика: переводить рабочие задачи в промты и сравнивать результат.

На каком языке писать промт? Для текста — обычно на языке вывода. GigaChat, YandexGPT, Алиса — на русском. Claude, GPT, Gemini понимают русский и английский, на английском иногда точнее. Картинки (Midjourney) и музыка (Suno) — почти всегда английский.

Какой длины должен быть промт? Столько, чтобы закрыть 5 блоков. Короткие задачи — 200–500 знаков, сложные — 2000–4000. Длиннее 5000 обычно избыточно — лучше дробить на этапы.

Чем zero-shot отличается от few-shot? Zero-shot — без примеров. Few-shot — 2–4 примера «вход → выход», модель копирует паттерн. Few-shot нужен для жёстких форматов и уникальных стилей.

Что такое RAG-промт? В промт подкладывают внешние документы — выгрузку из базы, статьи, wiki. Модель отвечает «по этим документам», а не по обучению.

Сколько стоит один промт? (токены промта × input) + (токены ответа × output). Output дороже input в 3–5 раз. Премиум-модели — копейки–рубли за запрос, бюджетные — доли копейки.

Дальше

Читайте также