Промпт-инжиниринг: как ставить задачу ИИ, чтобы он не врал

Бот, который рекламировал носки

Промпт-инжиниринг проще объяснить не определением, а историей. Вот моя.

Ещё в те времена, когда ChatGPT только появился, я прикрутил его к комментариям под постами городского сообщества. Задача была простая: подогревать актив и отвечать за модератора. Получилось своеобразно. Бот отвечал без контекста ветки, без понимания смысла поста, а однажды выдал в комментариях ссылку на телеграм-магазин носков. Актив был. Грустный.

Потом выдалось окно — выходной, все ушли на шашлыки, я сел и переделал ту же автоматизацию как надо. Модель осталась той же. Изменился только промпт. Теперь бот учитывает всю ветку обсуждения, понимает суть поста и сам чистит ссылки, телефоны и стороннюю рекламу. Работает ровно.

Промпт-инжиниринг — это ровно про эту разницу. Не про волшебные слова, а про то, чтобы задача была поставлена так, что у модели не остаётся места для фантазии. Я в IT с 2014 года, и скажу честно: ставить задачу ИИ приходится по тем же правилам, по которым ставят задачу подрядчику. Плохое ТЗ — плохой результат, и неважно, человек по ту сторону или нейросеть.

Почему нейросеть придумывает

Модель не врёт в человеческом смысле. Она достраивает то, чего ей не дали. Если в задаче дырка — она её заполнит самым вероятным текстом. Отсюда три источника вранья.

Нет контекста. Мой первый бот видел один комментарий, а не всю ветку. Он физически не мог понять, о чём спор. Если ты просишь «допиши функцию», а модель не видит остальной код, она придумает интерфейс, которого у тебя нет.

Нет рамок. Пока ты не сказал, чего делать нельзя, можно всё: вставить ссылку, придумать библиотеку, поменять структуру проекта. Запреты работают сильнее, чем пожелания.

Нет критерия готовности. Если ты не описал, как выглядит правильный ответ, модель считает правильным любой связный текст. И выдаёт его уверенно — это и пугает людей больше всего.

Пять блоков рабочего промпта

Я свёл свои промпты к пяти блокам. Порядок именно такой, он важен: сначала рамка, потом данные, потом задача.

1. Роль и контекст

Кто модель в этой задаче и где она находится. «Ты правишь модуль парсера в проекте на Python, данные уходят в CRM». Одна-две строки, но они отсекают половину бреда: модель перестаёт объяснять азы и начинает работать в твоих терминах.

2. Данные, а не описание данных

Самая частая ошибка новичка — рассказывать своими словами то, что можно приложить. Не «там примерно такой формат ответа», а сам ответ. Не «у нас в проекте свои правила», а файл с правилами. Модель отлично работает с фактами и очень плохо — с твоими пересказами.

3. Рамки и запреты

Здесь живёт весь мой опыт с ботом из первой истории. В том промпте теперь прямо написано: не вставлять ссылки, не оставлять телефоны, не упоминать сторонние магазины, не отвечать, если комментарий не требует ответа. Для кода это выглядит так: не подключать новые библиотеки, не переписывать то, о чём не просили, не трогать миграции.

4. Формат ответа

Скажи, что ты хочешь получить: только изменённый файл, только список пунктов, только SQL без пояснений. Свободная форма — это приглашение к воде. Если формат задан жёстко, ответ проще проверить глазами.

5. Критерий приёмки

Блок, который пропускают почти все. «Ответ считается верным, если он проходит такой-то тест / если каждая цифра взята из приложенного файла / если в тексте нет ни одного утверждения без источника». И отдельная строка: «если данных не хватает — скажи, чего не хватает, и не придумывай». Разрешение сказать «не знаю» снижает количество выдумок сильнее любого другого приёма.

Кейс: как ИИ научился иронии

Прилетела задача: бот, который накладывает водяной знак на фото и видео и переписывает текст в стиль канала. С экспертными каналами всё просто — слил посты, вытащил тон, прикрутил модель, готово.

А потом попался автор ироничный до абсурда и циничный до изящества. Иронию модели понимают хуже, чем распознают лица на гифках. Никакие «пиши с юмором» не работали. Сработало другое: я перестал описывать тон словами и отдал модели корпус его постов как эталон, добавил список запретов — не лить воду, не писать «дорогие друзья», не объяснять шутку, — и критерий приёмки: текст готов, если его можно отправить без правок.

В итоге бот генерирует так, что максимум правок — запятая, а чаще правок нет вообще. Заодно он тянет watermark на видео до 2 гигабайт и работает с фото, текстом и видео сразу. Человек не открывает ноутбук: скинул файл — получил готовый пост.

Мораль простая: промпт-инжиниринг начинается там, где ты заменяешь прилагательные примерами.

Что делать, если ИИ всё равно врёт

Четыре приёма, которые я применяю в этом порядке.

Разбей задачу. Одна задача — один промпт. «Проанализируй и сразу исправь» почти всегда даёт плохой анализ и плохое исправление. Сначала разбор, ты его читаешь, потом правка.

Попроси показать, откуда взято. Для текста — цитату из приложенного файла. Для кода — строку, которую модель меняет. Как только ответ надо привязать к источнику, выдумки исчезают сами.

Проверяй на своих данных. Не на абстрактном примере из интернета, а на своём прайсе, своей таблице, своём коде. Я ни один промпт не принимаю в работу, пока не прогоню его на трёх реальных случаях, включая самый неудобный.

Зафиксируй правила проекта. Всё, что ты повторяешь модели в каждом чате, — это не промпт, это настройка. Её место в файле правил проекта, который подхватывается автоматически. Иначе ты будешь объяснять одно и то же до конца жизни.

Чек-лист перед отправкой

Прежде чем нажать Enter, пробеги по шести пунктам: роль задана, данные приложены файлом, запреты перечислены, формат ответа описан, критерий приёмки написан, разрешено сказать «не знаю». Если хотя бы один пункт пустой — модель заполнит его сама, и потом ты будешь удивляться результату.

И ещё одно наблюдение из практики: чем короче задача, тем точнее должен быть промпт. На большой задаче у модели есть контекст, и она вытягивает. На мелкой правке контекста нет — и там как раз рождаются самые дикие ответы.

Дальше

Промпт-инжиниринг — это первый навык, без которого остальное не работает: ни генерация кода, ни автоматизация, ни боты. Но сам по себе он не превращается в результат, пока вокруг него нет системы — правил проекта, проверок, привычки декомпозировать.

Именно этому я учу на курсе по вайбкодингу: мы не заучиваем шаблоны промптов, а собираем рабочий процесс, в котором ИИ пишет код, а ты понимаешь, что он написал, и можешь это проверить. Если хочешь сначала попробовать сам — начни с бесплатного мини-курса из пяти уроков, там разобраны базовые приёмы постановки задачи.