ИИ внедряю в Альпине с 2023 года. Начинали с того, что хотели ускорить книжное производство, а по дороге прошли кучу развилок: запустили AlpinaGPT сначала внутренним инструментом для сотрудников, потом вывели на внешний рынок, разобрались с агентами, вайбкодингом и десятками способов пристроить нейросети к обычным рабочим задачам.
За эти годы для себя сформулировал одну штуку: качество ответа ИИ зависит не только от модели. Один и тот же Claude или GPT отдаст вам либо шаблонную пустышку, либо предметный точный ответ — всё решает то, как вы задали вопрос. Это и есть промптинг: умение правильно формулировать запрос. Ниже шесть техник, которыми я пользуюсь сам и которым учу команды клиентов. Все проверены на живых задачах — разборе договоров, конкурентном анализе, деловой переписке, работе с таблицами.
Сначала про то, как ИИ вообще выбирает ответ
Прежде чем про техники — про механику. Ближайшая аналогия — T9 на старых телефонах. Набираете букву, телефон предсказывает слово по тому, что вы и другие люди писали чаще. Большие модели работают так же, только в масштабе триллиона параметров и обучены на миллиардах текстов из интернета — книгах, статьях, форумах, научных работах.
Когда вы спрашиваете «какие документы нужны для кредита», модель не «знает» правильный ответ в человеческом смысле. Она предсказывает, какие слова с наибольшей вероятностью идут после «кредит» в похожих контекстах. За счёт огромного объёма данных это совпадение часто выглядит как осмысленный экспертный ответ.
Вторая деталь — токены. Токен — базовая единица, которой оперирует нейросеть. На английском один токен это примерно четыре символа, то есть слово в среднем занимает меньше токена. С русским всё хуже: кириллица токенизируется плохо, и один и тот же текст на русском обходится в 2–3 раза дороже по токенам. Это бьёт и по стоимости запроса, и по тому, сколько текста влезает в контекстное окно.
У каждой модели есть лимит контекста — сколько токенов она держит в одном чате. Сейчас почти все ведущие модели подобрались к миллиону токенов: и Gemini, и свежие Claude, и GPT. Объём огромный, целая книга помещается. Но у самого лимита модель начинает «плавать»: что-то из середины забывается, лезут неточности. Растягивать чат бесконечно невыгодно — и по качеству, и по деньгам.
Почему механика важна для практики? Потому что промпт — это способ сузить пространство ответов модели до нужного вам. В своих рекомендациях Anthropic называет такую работу context engineering — настройкой всей среды вокруг запроса, а не просто подбором правильных слов. Через шесть техник ниже это сужение и реализуется.
Техника 1. Формула из пяти компонентов
Самая известная техника — формула эффективного промпта. В ней пять частей, каждая добавляет качества.
- Роль. Кто отвечает. «Ты бизнес-аналитик с 10-летним стажем», «ты руководитель проекта», «ты менеджер по ключевым клиентам». Роль задаёт тон и глубину.
- Контекст. В какой ситуации мы находимся. Детали важны: кто клиент, его параметры, история отношений, какими продуктами уже пользуется.
- Задача. Что конкретно сделать. Не «проанализируй», а «извлеки пять ключевых условий и оцени три риска».
- Формат. В каком виде нужен результат. Таблица, список, текст на 200 слов, пять слайдов.
- Ограничения. Чего не делать. «Без юридического жаргона», «максимум 300 слов», «только по приложенному документу, ничего не додумывать».
Формулу удобно держать как чек-лист под каждый новый промпт. Но даже два компонента из пяти — контекст и задача — уже дают качественный ответ. Роль, формат и ограничения вторичны: полезны, но не обязательны для каждого запроса.
Пример из жизни. Напишете «напиши письмо клиенту» — получите безликую заготовку, которая никому не поможет. А напишете «ты менеджер по ключевым клиентам, клиент ООО Рога и копыта, оборот 500 миллионов, сейчас на базовом тарифе, финдиректор Иванов, напиши коммерческое предложение на зарплатные проекты и эквайринг в деловом тоне, 200 слов, с конкретными цифрами экономии» — текст будет принципиально другой. Та же модель, тот же ИИ, но за счёт контекста результат становится рабочим.
Техника 2. Работа с контекстом — главная техника
Если бы из шести техник пришлось оставить одну, я бы оставил эту. Контекст важнее любого другого элемента промпта.
Простая аналогия. Скажу «В лесу родилась…» — и у большинства носителей русского в голове сразу прозвучит «ёлочка». Почему? Наша нейронная сеть была натренирована: где-то в детстве выучили песню, и теперь после «в лесу родилась» вероятность слова «ёлочка» резко растёт в нашем культурном контексте. На англоязычной аудитории этот же запрос не сработал бы — у них другое облако ассоциаций.
Нейросеть устроена похоже. У неё огромное векторное пространство, где слова связаны разными вероятностными «верёвочками». Когда вы пишете промпт без сужения, модель выбирает из самого широкого облака смыслов и берёт оттуда самое усреднённое и частое. Получается «стандартное письмо», «стандартный анализ», «обычный ответ из интернета».
Развёрнутый контекст разворачивает это в обратную сторону. Облако смыслов сужается до того, что нужно именно вам, и модель начинает работать в узкой зоне с подходящими вашей ситуации вариантами. Для себя я сформулировал так: промпт — это инструмент отсечения лишнего, а не добавления нужного.
Иногда в качестве контекста я загружаю целые письма, документы, регламенты, предысторию — чтобы нейросеть знала о задаче столько же, сколько знаю я. На старте чуть дольше, зато экономит часы на доводке. Чем больше релевантного контекста, тем меньше правок требует первый ответ.
Gartner в своих обзорах прямо называет переход от классического промптинга к работе с контекстом главным сдвигом в корпоративном применении ИИ в 2026 году. Раньше задача звучала как «подобрать правильные слова», теперь — «спроектировать всю информационную среду вокруг запроса».
Техника 3. Цепочка рассуждений
Третья техника — попросить модель рассуждать пошагово. По-английски chain-of-thought, по-русски проще — «цепочка рассуждений».
Спросите «оцени эффективность рекламной кампании» — модель ответит «эффективность высокая». Откуда оценка, на чём основана, какие цифры считались — непонятно. Перепроверять придётся вручную с нуля.
Скажете «давай пошагово: шаг первый — оцени охват и бюджет, шаг второй — рассчитай конверсию по этапам, шаг третий — сравни с бенчмарками отрасли, шаг четвёртый — сделай вывод» — получите прозрачный ответ, где виден каждый этап. Есть ошибка — сразу видно, на каком шаге, и можно точечно поправить.
Особенно полезно там, где важна не только итоговая цифра, но и логика за ней: финансовый анализ, юридическая оценка, выбор стратегии, разбор сложного решения. И когда результат уходит коллегам, которым тоже надо видеть, как ИИ дошёл до выводов.
Техника 4. Обучение на примерах и без примеров
Четвёртая техника — два режима подачи задачи: с примерами и без. По-английски few-shot и zero-shot, но идея у обоих простая.
Без примеров — это когда вы даёте только инструкцию: «классифицируй обращение клиента по категориям: жалоба, запрос информации, заявка на продукт, благодарность». Режим хорошо работает на простых однозадачных вопросах, где категории очевидны.
С примерами — это когда перед задачей вы показываете два-три образца результата: «вот жалоба, вот запрос, вот благодарность. Теперь классифицируй новое обращение». Примеры — самый эффективный способ объяснить формат: вместо описания словами вы показываете «вот так», и модель копирует паттерн на новых данных.
Когда что? Без примеров — если задача простая, формат очевиден, общих знаний модели хватает. С примерами — когда нужен специфический формат вывода: корпоративная таблица, текст в фирменном стиле, структура отчёта по шаблону.
Важное наблюдение из практики: больше примеров — не всегда лучше. Двух-трёх обычно достаточно. Положите десять — и модель начнёт копировать поверхностные паттерны (длину текста, начальные слова), а не суть формата. «Достаточный минимум» — золотое правило этой техники.
Техника 5. Ролевой промптинг
Пятая техника — назначение роли. Самая интуитивная, про неё чаще всего пишут в гайдах: «представь, что ты эксперт в области X».
Тут есть момент, который я сам долго не осознавал. Роль не даёт модели новых знаний. Все знания у неё уже есть из обучения, она их давно «прочитала». Роль не делает её умнее. Что она реально делает — сужает облако смыслов, из которого модель выбирает слова. Говорите «ты юрист с опытом анализа контрактов» — и сразу обозначаете, что отвечать нужно в стилистике юриста, с терминологией, с акцентом на риски и условия. Меняется не объём знаний, а угол подхода.
Для себя я сформулировал простой принцип выбора роли: задаю вопрос — кто из людей лучше всего справился бы с этой задачей? И назначаю эту роль нейросети. Разбор договора — юрист. Написание поста — копирайтер с опытом в нужной нише. Анализ продаж — коммерческий директор.
Приём особенно хорош, когда важны именно стилистика и угол подачи. Для «извлеки факты из документа» или «переведи текст» роль не нужна — там главное точность.
Техника 6. Метапромптинг — пусть ИИ напишет промпт за вас
Шестая техника — лайфхак, которым пользуюсь регулярно. Не знаете, как сформулировать сложный запрос — попросите нейросеть саму написать промпт под вашу задачу.
Звучит непривычно, но на практике один из самых полезных приёмов. Обращаетесь к ИИ как к учителю: «Я учусь промптить, помоги составить промпт для задачи такой-то. Составь оптимальный запрос для модели X, чтобы она сделала Y». И нейросеть пишет промпт, который часто выходит лучше вашего собственного — просто потому что она знает свои особенности и предпочитаемые форматы.
Реальный пример с недавней встречи. Участница воркшопа спросила: есть старые архитектурные планы и фасады зданий двухсотлетней давности, нужно привести их в приличный вид, как это сделать с помощью ИИ? Я предложил простую вещь — написать в Gemini «составь мне промпт для модели Nano Banana Pro для реставрации старых архитектурных планов и фасадов». Нейросеть выдала готовый детальный промпт на английском (модели генерации изображений лучше понимают английский), с правильными терминами, описанием итогового состояния и техническими параметрами. Дальше оставалось взять его и сгенерировать.
Работает в любой непонятной ситуации, когда вы не уверены в формулировке. У моделей огромный опыт работы с собственным форматом запросов — им виднее, как к ним правильно обращаться.
Бонус: общайтесь с ИИ как с собеседником
И последнее про 2026 год. Anthropic в своём исследовании использования Claude заметила закономерность: большинство пользователей пишут один промпт, получают ответ и закрывают чат. Это и есть главная причина посредственных результатов.
С нейросетью надо работать как с собеседником, а не выстреливать одним промптом и уходить. Выдала черновик — попросите подправить тон. Версия два — измените структуру. Версия три — поработайте над терминологией. К пятой-шестой итерации обычно выходит то, что нужно.
Это как с обычным сотрудником. Дали задачу, человек принёс не то — вы же не увольняете его сразу, а объясняете, что не так, и он дорабатывает. С ИИ та же логика, и людей это часто удивляет: они привыкли к нему как к поисковику с «одним правильным ответом», тогда как это собеседник, с которым работают в диалоге.
Полезный побочный эффект: когда привыкаешь чётко ставить задачи ИИ — роль, контекст, формат, ограничения — начинаешь чётче ставить их и людям. Профессиональная деформация в хорошем смысле.
Что в итоге
Главный навык работы с ИИ в 2026-м — давать модели контекст и работать с задачами итерационно. Шесть разобранных техник складываются в простой набор: чек-лист из пяти компонентов промпта, работа с контекстом, цепочка рассуждений, примеры под специфический формат, ролевой промптинг для нужного угла и метапромптинг для сложных случаев.
Кто освоил хотя бы первые две техники, уже получает от ИИ кратно более полезные ответы, чем большинство, которое до сих пор пишет «напиши мне письмо клиенту» и удивляется шаблонным результатам.
А какими техниками пользуетесь вы и в каких задачах вам не хватает чего-то из этих шести?
Это адаптированное изложение для архива публикаций Жемала Хамидуна. Полная версия статьи со всеми деталями — на Хабре: читать оригинал →