Промпт инжиниринг: почему вы получаете мусор и как это починить

Пишете в ChatGPT что-то разумное. Получаете посредственность. Перефразируете. Снова посредственность. Добавляете ключевых слов. Стало хуже. Закрываете вкладку, возвращаетесь к ручной работе.

Знакомо?

На каждом корпоративном тренинге вижу одно и то же. Умные люди, руководители, специалисты с десятилетиями опыта - и все они получают от AI посредственные результаты. Потом говорят: "Ну, AI пока не очень, не доросло." Нет. AI доросло. Вы не доросли.

Сейчас будет неприятно. Но после этой статьи ваш промпт инжиниринг изменится навсегда.

Вы молитесь, а не промптите

Большинство промптов выглядят так:

"Сделай мне лендинг для стартапа."

Это не промпт. Это желание, брошенное в пустоту с надеждой, что модель прочитает ваши мысли про цвета, типографику, отступы, кнопки, тон текста и структуру.

Языковая модель - это движок завершения паттернов. Она берет ваш ввод и генерирует статистически наиболее вероятный вывод. Если ввод размытый, вывод будет generic. Потому что generic - это и есть наиболее вероятное для большинства.

Модель не тупая. Она послушная. Послушная тому, что вы ей дали - почти ничего.

Промпт инжиниринг начинается с понимания: промпт - это контракт. Он отвечает на четыре обязательных вопроса:

Роль. Кем модель притворяется?

Задача. Что конкретно должна выполнить?

Ограничения. Каким правилам следовать?

Формат вывода. Как выглядит "готово"?

Пропустили хотя бы одно - модель заполняет пробел догадками. А догадки - это территория галлюцинаций.

Вы получили плохой результат не потому что модель ошиблась. Вы дали неполный контракт. Модель выполнила именно то, о чем вы попросили. Вы просто не поняли, как мало вы попросили.

Вы не знаете, с кем разговариваете

Люди обращаются с AI-моделями как с прокачанными поисковиками. Вбил вопрос - получил ответ. Эта ментальная модель катастрофически неверна.

Разные модели - разные специалисты. Вы не даете одинаковые инструкции своему ассистенту, дизайнеру и бэкенд-разработчику. Почему удивляетесь, когда их результаты отличаются?

Некоторые модели предпочитают структурированный естественный язык. Другим нужна явная последовательность шагов. Третьи разваливаются от многословных промптов. Четвертые игнорируют ограничения, пока не повторите их трижды.

Claude, например, отлично работает с длинным контекстом и сложными инструкциями. GPT-4 лучше справляется с креативными задачами, но хуже следует жестким ограничениям. Gemini силен в мультимодальных задачах. Mistral быстр и дешев, но требует более простых промптов.

Вот ошибка, которую совершают почти все: пишут один промпт, переиспользуют его везде, ожидают одинакового поведения. А потом обвиняют "AI" как монолитную сущность, когда результаты скачут.

Переносимость промптов - миф. Адаптация промптов - навык.

Человек, который пишет промпты под конкретную модель, превзойдет человека с "лучшими идеями" каждый раз. Потому что инструмент меняется в зависимости от того, какой инструмент вы используете.

На тренингах часто спрашивают: "Какая модель лучше?" Ответ всегда один: та, под которую вы научились писать промпты. Мастер с молотком победит новичка с полным набором инструментов.

Расплывчатость - это трусость

Причина провала ваших промптов чаще всего не в том, что вы просите неправильное. А в том, что вы боитесь попросить конкретно то, что хотите.

Вы хеджируете. Остаетесь расплывчатым. Пишете "сделай круто" вместо того, чтобы определить, что "круто" значит для вас.

Почему? Потому что быть конкретным - рискованно. Что если укажете не то? Что если ограничите слишком сильно и упустите что-то лучше?

Вот типичный диалог с участником тренинга:

"Модель выдает не то, что нужно." "Что именно нужно?" "Ну… хороший текст." "Что такое хороший текст?" "Профессиональный… убедительный…" "Для кого убедительный? В каком контексте? Какое действие должен совершить читатель?" "…"

И вот тут человек понимает: он сам не знает, чего хочет. Расплывчатость промпта - симптом расплывчатости мышления.

Расплывчатость - не гибкость. Это лень. Вы передаете модели полусырую идею и надеетесь, что она случайно угадает.

Ограничения - это инструкции. Когда говорите "никогда не меняй дизайн-систему" или "всегда сохраняй тон копирайтинга" - вы не ограничиваете модель. Вы информируете ее. Даете тот же контекст, который нужен любому человеку-коллаборатору.

Люди, которые работают с вами, узнают эти ограничения со временем через обратную связь и наблюдение. Модели не имеют такой роскоши. Каждый разговор начинается с нуля, если вы явно не загрузите релевантные ограничения в промпт.

Нужно сказать, что сохранить, что можно менять, что нельзя трогать никогда.

Консистентность от AI приходит из инструкций. Не из памяти.

Анатомия промпта, который работает

Архитектура сознания модели (если это можно так назвать) откликается на структуру. Настоящую структуру чистого системного мышления.

Неясное мышление на входе - неясный результат на выходе. Вся игра в этом.

Эффективные промпты разделяют пять слоев. Это не произвольно - так модели реально обрабатывают и приоритизируют информацию.

Слой 1: Идентичность

Кто модель в этом разговоре? "Senior product marketer who specializes in B2B SaaS positioning" триггерит другие паттерны, чем "helpful AI assistant".

Модель не "становится" этой идентичностью. Но она обращается к разным кластерам обучающих данных, разным стилистическим паттернам, разным подходам к рассуждениям.

Claude Skills, которые завирусились недавно - это ровно про это. Идентичность модели или агента имеет значение. Пропустили этот слой - и получаете усредненного "helpful assistant", который пишет как робот-бюрократ.

На практике это выглядит так. Вместо "напиши текст для лендинга" пишете: "Ты senior-копирайтер с 15-летним опытом в B2B SaaS. Специализируешься на превращении технических фич в эмоциональные выгоды. Пишешь короткими предложениями. Избегаешь жаргона без объяснений."

Разница в результате - как между стажером и экспертом.

Слой 2: Контекст

Что модель должна знать, чтобы выполнить задачу хорошо? Фоновая информация, предыдущие решения, ограничения из ранних разговоров - все, что очевидно человеку, но невидимо модели.

Большинство людей сваливают контекст как школьник сочинение в последнюю ночь: "Вот всё про мое приложение…" А потом удивляются, почему модель забывает вещи и противоречит сама себе.

Контекст должен быть упорядочен, ограничен и размечен. Модель не "помнит" контекст эмоционально. Она сопоставляет паттерны релевантности. Если не пометили, что есть правило, что редактируемо, что устарело, что текуще - она обращается со всем как с одинаково опциональным.

Слой 3: Задача

Какое конкретное действие должно быть выполнено? "Write something about X" - плохо. "Produce a 500-word product description that emphasizes time-saving benefits for busy executives" - хорошо.

Чем точнее определяете задачу, тем точнее модель выполняет.

Слой 4: Процесс

Как модель должна подходить к задаче? Здесь большинство промптов проваливаются полностью.

Плохо: "Напиши мне маркетинговую страницу."

Хорошо: "Сначала проанализируй целевую аудиторию и определи их основные боли. Затем определи позиционирование, которое адресует эти боли. Затем напиши страницу. Покажи рассуждения на каждом шаге. Не пропускай шаги и проверь свою работу после."

Вы просите не текст. Вы просите процесс, который производит текст.

Лучшие промпты описывают порядок мышления, контрольные точки решений и внутреннюю валидацию. Так же как люди делают ресерч, планируют контент и правят, пока не понравится.

Вот конкретный пример из моей практики. Когда нужен стратегический анализ, промпт выглядит примерно так:

Изучи предоставленные данные о рынке
Выдели три главных тренда с конкретными цифрами
Для каждого тренда определи угрозу и возможность для бренда X
Сформулируй гипотезу позиционирования
Проверь гипотезу на противоречия с данными
Если нашел противоречие - вернись к шагу 4

Модель идет по шагам. Показывает рассуждения. Ловит собственные ошибки. Результат в разы качественнее, чем "сделай анализ рынка".

Слой 5: Вывод

Как выглядит "готово" для вас? Если не скажете точно - получите формат, который модель выберет по умолчанию.

Будьте явным: "Output as JSON with fields for headline, subheadline, and body text. Return only JSON, no additional messages."

Пять слоев - ваша архитектура. Пропустили один - структура шатается. Пропустили два - рушится.

Документация отделяет любителей от профессионалов

Настоящий разделитель между людьми с непоследовательными результатами и людьми с накопительными результатами: каноническая документация.

Если у вас нет PRD, App Flow, Design System, Constraints Doc, Backend Structure - вы не промптите. Вы играете в казино.

Каждая сессия независима. Каждый разговор начинается с чистого листа.

Без внешней документации, на которую вы явно ссылаетесь, модель не имеет устойчивого понимания вашего проекта, ваших предпочтений, ваших предыдущих решений.

Люди, которые промптят случайно, пишут один и тот же контекст снова и снова, непоследовательно, внося drift с каждым разговором.

Люди, которые промптят серьезно, поддерживают источники истины. Ссылаются на эти документы в каждом релевантном промпте. Обновляют их, когда решения меняются. Защищают от случайного перезаписывания.

Когда что-то становится каноническим - на него нужно ссылаться, его нужно защищать, его нельзя перезаписывать случайно.

Если явно не сказали "attached PRD is the source of truth; do not contradict it" - модель предполагает, что все изменяемо. Включая ваши ключевые продуктовые решения.

Хороший промптинг - это не писать лучшие предложения. Это якорить модель к реальности. Документация - ваша реальность. Промпт - один шаг инструкций в построении этой реальности.

У меня в рабочей папке лежит шесть документов, которые копирую в каждый серьезный промпт:

PRD с описанием продукта и его границ
Design System с цветами, типографикой, компонентами
Tone of Voice с примерами правильного и неправильного
Constraints с жесткими ограничениями ("никогда не упоминай конкурентов по имени")
Context с историей решений и их причинами
Examples с образцами идеального результата

Звучит как много работы? Да. Но эти документы создаются один раз и используются месяцами. Каждый час на их создание экономит десятки часов на переделках.

Протокол одного дня

То, что следует дальше, можно пройти за один день. Этот протокол навсегда изменит то, как вы взаимодействуете с AI-системами.

Утро: Аудит текущей системы

Упражнение 1: Археология

Откройте историю разговоров с AI. Найдите последние десять значимых промптов - те, где реально нужен был хороший результат.

Для каждого честно ответьте:

Указали роль для модели?
Предоставили необходимый контекст?
Определили ограничения?
Указали, как выглядит "готово"?
Описали процесс или просто запросили результат?

Посчитайте, сколько раз ответили "да". Большинство обнаруживают один-два пункта стабильно. Это ваш базовый уровень.

Упражнение 2: Распознавание паттернов

Посмотрите на промпты с плохими результатами. Что у них общего?

Посмотрите на промпты с хорошими результатами. Что у них общего?

Скорее всего заметите: хорошие результаты приходили, когда случайно были конкретнее - вероятно, потому что ставки были выше или уже провалились на этой задаче раньше.

Запишите три самых частых паттерна провала. Назовите их. "Не указываю роль или формат вывода." "Сваливаю контекст без структуры." "Прошу простой результат вместо обработанного."

Это ваши враги. Нельзя бороться с тем, что не назвали.

День: Стройте фундамент правил

Документ 1: Библиотека ролей

Создайте документ с 5-10 определениями ролей для повторного использования.

Не "copywriter", а полная идентичность:

"You are a senior direct-response copywriter with 15 years of experience in B2B SaaS. You specialize in converting technical features into emotional benefits. You write in short sentences. You never use jargon without explaining it."

Напишите роли для: самых частых креативных задач, самых частых аналитических задач, самых частых технических задач.

Это ваши copy-paste основы. Адаптируете под задачу, но никогда не стартуете с нуля.

Документ 2: Шаблоны контекста

Создайте шаблоны контекста, который предоставляете повторно.

Для приложения: что делает (один абзац), для кого (конкретный пользователь), основной user flow, технический стек, принципы дизайна, голос и тон.

Для контента: определение аудитории, контекст канала, предыдущие материалы для сопоставления голоса, темы или ограничения для избегания, обязательные элементы.

Почему модели дают эмодзи и хэштеги? Потому что не дали правильный контекст. Их обучающие данные откатываются к базовому, если не дать правильную информацию.

Документ 3: Ограничения

Что никогда не должно меняться во всей вашей работе с AI?

"Never use corporate language." "Never assume user is technical." "Never contradict information in our documents." "Never use emojis or hashtags."

Это ссылается в каждом значимом промпте.

Документ 4: Библиотека форматов вывода

Соберите форматы вывода, которые запрашиваете повторно.

JSON-схемы для структурированных данных. Markdown-паттерны для документации. Конкретные структуры абзацев для типов контента.

Когда нужен консистентный вывод - вставляете релевантную спецификацию формата вместо описания его по-разному каждый раз.

Вечер: Тест и уточнение

Возьмите одну задачу, с которой недавно боролись. Что-то, где результат AI был откровенно плох.

Перестройте промпт с нуля. Используя новую систему:

Выберите или создайте подходящую роль из библиотеки
Заполните шаблон контекста
Определите конкретную задачу с явными шагами процесса
Сошлитесь на документ ограничений
Укажите точный формат вывода

Запустите промпт. Сравните результат с предыдущими попытками.

Если лучше - проанализируйте почему. Какой слой дал наибольшую разницу? В моем опыте чаще всего это слой процесса. Люди указывают роль, дают контекст, но просят результат вместо процесса получения результата.

Если все еще не то - какому слою нужно больше конкретики? Добавьте деталей именно туда. Повторите.

Structure → Test → Analyze → Refine.

Один цикл учит больше, чем сотня статей про промптинг. Я серьезно. После трех-четырех таких итераций начинаете видеть паттерны своих ошибок. После десяти - они почти исчезают.

Главное - записывать. Что сработало, что нет, какая гипотеза была и как она подтвердилась. Через месяц у вас будет собственная библиотека инсайтов, которая стоит больше любого курса по промптингу.

Что происходит, когда реально коммититесь

Первая неделя кажется медленной. Строите документы. Действуете обдуманнее. Написать промпт занимает больше времени.

Хорошо. Вы наконец делаете правильно.

Вторая неделя чувствуется иначе. Переиспользуете контекст. Copy-paste определения ролей. Промпты собираются быстрее и работают с первого раза чаще. Начинаете замечать, когда собираетесь написать расплывчатый промпт - и ловите себя.

Третья неделя - переломный момент. Вы больше не думаете о промптинге как о отдельном навыке. Это становится частью того, как вы формулируете задачи вообще. Ясность мышления переносится на другие области. Вы начинаете четче ставить задачи людям. Четче формулировать брифы. Четче думать.

Первый месяц накапливается драматически. У вас библиотека проверенных компонентов. Канонические markdown-доки проверены боем. Распознаете паттерны провала до того, как их совершите.

Каждый плохой результат - системный. Что-то было неясным, неуказанным или противоречивым. Найдите, исправьте, улучшите систему - и этот класс ошибок исчезает навсегда.

Промптинг масштабируется, когда: документы существуют и на них ссылаются, роли явны и переиспользуются, ограничения зафиксированы и защищены, выводы структурированы и специфицированы, итерация намеренна и документирована.

Промптинг проваливается, когда: импровизируете, переписываете с нуля каждый раз, полагаетесь на "вайб"-промптинг, обвиняете модель вместо своего ввода.

Финальная правда

Разрыв между людьми, которые "не могут заставить AI работать", и людьми, которые получают исключительные результаты - не интеллект, не доступ, не секретные промпты.

Одна группа обращается с промптингом как с разговором. Другая - как с инженерией системной команды.

Модель соответствует вашему уровню строгости.

Расплывчатый ввод - generic результат. Структурированный ввод - структурированный результат. Ясное мышление - ясный результат.

Промптинг - это рычаг. Правильно используете - накапливается. Лениво используете - обнажает вас.

Я провел сотни тренингов по работе с AI. Видел, как люди за день переходят от "AI бесполезен" к "как я раньше без этого работал". Разница всегда одна: они перестали молиться и начали инженерить.

Теперь ваша очередь.

Ссылки: