Как написать промпт

Хороший промпт - это не длинная просьба, а короткое ТЗ. Модель не читает мысли: если не указать лист, колонку, критерий выбора, формат таблицы, цвет графика или уровень детализации, она выберет вариант сама и ответит уверенно.

Ниже - компактная "рыба" промпта и принципы, которые обычно дают самый заметный прирост качества.

1. Начните с результата, входных данных, правил и формата

Сначала опишите, что нужно получить, где брать данные, по каким правилам работать и в каком виде вернуть результат.

Плохо:

Проанализируй обращения пользователей.

Лучше:

Собери сводку по обращениям в поддержку за июнь. Используй файл support_tickets.xlsx, лист "Tickets", колонки "Дата", "Тема", "Категория", "Приоритет", "Статус". Сгруппируй обращения по категории и приоритету, отдельно покажи нерешенные обращения. Верни таблицу и краткий вывод на 5-7 предложений.

Полезная проверка: если стажер, не знакомый с вашим процессом, справится с задачей по этому описанию, значит промпт хороший. Не "возьми данные из файла", а "используй лист X и колонки A, B, C". Не "найди информацию в интернете", а "выбери 3 источника: сначала официальный сайт или документацию, затем публикации с автором и датой; для каждого источника укажи, почему он релевантен, и не используй агрегаторы, если есть первоисточник".

2. Не оставляйте важные решения "по умолчанию"

Если параметр важен, задайте его явно. Иначе модель выберет сама: тип графика, порядок сортировки, цвет, стиль, тон, структуру разделов, критерий релевантности, степень подробности.

Пример:

Построй столбчатый график: по оси X - категории обращений, по оси Y - количество обращений. Отсортируй категории по убыванию количества. Используй один цвет для всех столбцов, подпиши значения над столбцами, не добавляй 3D-эффекты.

Это соответствует базовой рекомендации Google: быть конкретным в ожидаемом результате и не ограничиваться общими словами вроде "понятно", "красиво", "правильно".

3. Дайте пример "входные данные - результат"

Примеры - один из самых сильных приемов prompt engineering. Они показывают модели не только формат ответа, но и логику решения.

Входные данные: Тема: Не могу войти в личный кабинет Приоритет: Высокий Статус: Открыто Ожидаемый результат: Категория: Авторизация Приоритет: Высокий Статус в отчете: Не решено Логика: Обращение относится к авторизации, потому что проблема связана со входом. Так как статус "Открыто", оно попадает в блок нерешенных обращений.

Если задача связана с классификацией, добавьте несколько разных примеров и перемешайте классы. Не давайте сначала все "хорошие", потом все "плохие": модель может начать копировать порядок, а не правило.

4. Для сложной задачи задайте шаги

Если задача состоит из нескольких действий, разбейте ее. Так меньше риск, что модель потеряет часть данных или смешает этапы.

1. Найди все обращения за июнь.

2. Проверь, что заполнены дата, категория, приоритет и статус.

3. Сгруппируй обращения по категории и приоритету.

4. Отдельно выдели нерешенные обращения.

5. Верни таблицу, вывод и аудит качества.

Для неоднозначных задач можно добавить step-back прием:

Сначала кратко сформулируй критерии, по которым будешь считать обращение срочным. Затем примени эти критерии к данным.

5. Просите аудит качества

Для задач с файлами, таблицами и списками важно проверить полноту. Добавьте короткую самопроверку:

После результата добавь аудит качества: - сколько строк было на входе; - сколько строк обработано; - были ли пропуски в обязательных колонках; - какие строки исключены и почему; - какие решения были спорными.

Если результат нестабилен, уточняйте не весь промпт сразу, а конкретное слабое место: данные, правила, формат, примеры или критерии качества.

6. Используйте рыбу промпта

Твоя задача: {что нужно получить и зачем}. Входные данные: {файл / лист / колонки / разделы / источники}. Правила: {как выбирать, группировать, сортировать, сокращать, проверять}. Формат результата: {таблица / список / JSON / Markdown / график}. Структура: {колонки или разделы}. Пример: Вход: {короткий пример} Результат: {ожидаемый результат} Логика: {почему получается именно так} Проверка качества: {что нужно проверить перед финальным ответом}.

Роль и контекст можно добавить, но они не заменяют данные и правила:

Ты - специалист по клиентской поддержке. Результат нужен руководителю поддержки для еженедельного разбора проблем.

7. Попросите модель задать вопросы перед выполнением

Если задача сложная или непонятно как её решать, полезно сначала не запускать выполнение, а попросить модель проверить постановку:

Перед выполнением задачи задай до 5 уточняющих вопросов, если без них результат может быть неточным. Если информации достаточно, кратко перескажи, как ты понял задачу, и только после этого приступай.

Это особенно помогает, когда вы не уверены, что указали все данные, правила, ограничения и критерии приемки.

8. Как быстро улучшить уже написанный промпт

Можно дать модели свой черновик, приложить эту инструкцию и попросить улучшить промпт по ее принципам:

Изучи приложенную инструкцию по написанию промптов. Улучши мой промпт так, чтобы он был более точным и воспроизводимым. Не меняй смысл задачи. Если в моем промпте не хватает информации, сначала задай уточняющие вопросы. Мой промпт: {вставьте текущий промпт}

Дальше проверьте новую версию на 2-3 реальных примерах. Такая проверка часто подсвечивает ошибки и спорные случаи, обработку которых нужно добавить в промпт: отдельным правилом, примером или критерием качества.

ИИ-модели сами неплохо пишут промпты для ИИ-моделей. Можно передать им обычное ТЗ и попросить собрать из него рабочий промпт:

На основе этого ТЗ напиши хороший промпт для ИИ-модели. Сделай его компактным: без лишних пояснений, повторов и декоративных формулировок. Добавь только то, что влияет на качество выполнения.

Без такого ограничения модель может написать слишком избыточный промпт. Это особенно характерно для "болтливых" моделей: они добавляют много правильных, но не всегда нужных фраз.

Модель может подсветить места, где ТЗ неполное: не указан источник данных, неясен критерий выбора, нет правила для спорного случая, не задан формат результата или непонятно, что считать ошибкой. Часто уже по вопросам модели видно, какие аспекты процесса вы держали "в голове", но не записали в промпт.

Рекомендации подготовлены на основе руководства Google “Prompt Engineering”.

Дата обновления: 2 июля 2026